Daļēji uzraudzītā mācīšanās apvieno nelielu daudzumu marķētu datu ar lielu daudzumu nemarķētu datu. Modelis vispirms mācās no dažiem piemēriem ar zināmām atbildēm un pēc tam izmanto likumsakarības pārējos datos, lai uzlabotos — piemēram, pārņemot pārliecinošas prognozes kā papildu apmācības piemērus. Tas atmaksājas, ja marķēšana ir dārga, piemēram, medicīnas attēliem vai tūkstošiem atbalsta pieteikumu.
Uzraudzītajā mācīšanā modelis mācās no piemēriem, kuriem pareizā atbilde jau ir zināma, piemēram, e-pastiem, kas marķēti kā „surogātpasts” vai „nav surogātpasts”. No tiem tas atvasina noteikumus, lai klasificētu jaunus, neredzētus gadījumus vai prognozētu vērtības. Tipiski uzdevumi ir klasifikācija un regresija; lielākā daļa pūļu tiek veltīta tīri marķētu datu izveidei.
Neuzraudzītajā mācīšanā modelis saņem datus bez iepriekš definētām pareizajām atbildēm un pats meklē struktūras. Tipiskas metodes ir klasterizācija, kas grupē līdzīgus ierakstus, un dimensiju samazināšana, kas daudzas pazīmes sasaista dažās būtiskās. Organizācijas to izmanto, lai atklātu klientu segmentus vai pamanītu neparastus darījumus; atrastās grupas pēc tam jāinterpretē jomas ekspertiem.
Datu trūkums rodas, ja MI uzdevumam nav pietiekami daudz piemērotu vai marķētu datu, lai modeli droši apmācītu vai pārbaudītu. Tas skar, piemēram, retus defektu veidus ražošanā, nišas valodas vai jaunus produktus bez pārdošanas vēstures. Risinājumi ir pārneses mācīšanās, sintētiskie dati, datu paplašināšana vai iepriekš apmācīti valodas modeļi, kas sniedz noderīgus rezultātus jau no dažiem piemēriem.
Apmācības dati ir piemēri, no kuriem MI modelis apgūst likumsakarības: lielas teksta kolekcijas valodas modeļiem, marķēti attēli attēlu modeļiem. To kvalitāte, daudzveidība un aktualitāte lielā mērā nosaka, cik uzticams un taisnīgs ir modelis un cik aktuālas ir tā zināšanas. Organizācijām ir svarīgi arī tas, vai pakalpojumu sniedzējs ievadītos klientu datus izmanto tālākai apmācībai.
