۱. یادگیری با نظارت: در این یادگیری، الگوریتم‌ها بر روی داده‌های برچسب دار آموزش می‌بینند به این صورت که داده‌های ورودی به صورت جفتی با خروجی صحیح قرار می‌گیرند. در واقع هدف ایجاد نگاشتی از ورودی‌ها به خروجی‌ها است. برای مواردی همچون مسائل طبقه بندی و رگرسیون مناسب هستند.
۲. یادگیری بدون ناظر: در واقع یادگیری با داده‌های بدون برچسب سر و کار دارد. هدف، کشف الگوهای مخفی، ساختارها یا ارتباطات بین نقاط داده هست. وظایف متداول در این مورد از قبیل خوشه‌بندی و کاهش ابعاد داده هستند.
۳. یادگیری نیمه نظارتی: این نوع الگوریتم‌های یادگیری هر دو مورد یادگیری بدون ناظر و با نظارت را با هم ترکیب می‌کنند. از بخش کوچکی از داده‌های برچسب دار و بخش بزرگی از داده‌های بدون برچسب را استفاده کرده تا کارایی مدل را بهبود ببخشند.
۴. یادگیری تقویتی: یادگیری تقویتی بر عامل‌های یادگیری تمرکز دارد که یک سری از تصمیمات را در محیط تعریف شده انجام می‌دهند که پاداش کلی را بیشینه کنند. در مواردی همچون رباتیک، بازی سازی و سیستم‌های خودکار کاربرد دارند.
۵. یادگیری عمیق: یادگیری عمیق یک زیر حوزه از یادگیری ماشین است که از شبکه‌های عصبی مصنوعی با تعداد لایه‌های زیاد استفاده می‌کند. مخصوصا برای مواردی همچون تشخیص صدا، تصاویر و پردازش زبان طبیعی مناسب و قدرتمند است.
۶. یادگیری انتقال: این یادگیری شامل استفاده از مدل از پیش آموزش دیده به منظور نقطه شروعی برای یک مسئله و وظیفه جدید است. این راهکار زمان آموزش و داده را در حین بهبود کارایی حفظ می‌کند.
