۷. یادگیری گروهی: در این یادگیری چندین مدل با یکدیگر ترکیب شده تا کارایی پیش بینی‌گر افزایش یابد. تکنیک‌هایی شامل bagging و boosting استفاده می‌شوند تا گروه‌ها ساخته شوند.
۸. یادگیری نمونه محور: روش‌های متداول در این یادگیری از قبیل k- نزدیکترین همسایه هستند که وابسته به میزان شباهت بین نمونه‌ها است و بر اساس آن پیش بینی‌ها انجام می‌شوند. آنها داده‌های آموزشی را ذخیره می‌کنند و سپس نمونه جدید با نقاط داده آموزشی مقایسه شده تا پیش بینی انجام شود.
۹. شناسایی نابهنجاری: الگوریتم‌های شناسایی نابهنجاری داده‌های پرت یا الگوهای غیر معمول را مشخص می‌کنند. این ماجرا در مواردی همچون شناسایی اعمال خرابکارانه، امنیت شبکه و کیفیت کنترل یک امر بحرانی است.
۱۰. پردازش زبان طبیعی: در اینجا تمرکز بر توانایی مدل‌ها به منظور درک، تولید و پردازش زبان انسانی هست. تکنیک‌هایی همچون طبقه بندی متون، تحلیل احساسات و تولید زبان از این دسته هستند.
۱۱. بینایی ماشین: الگوریتم‌ها طراحی شده‌اند تا داده‌های بصری شامل تصاویر و ویدئو‌ها را پردازش و درک کنند. کاربرد‌های مرسوم شامل طبقه بندی تصاویر، شناسایی اشیا و تشخیص چهره هستند.
۱۲. تحلیل سری‌های زمانی: الگوریتم‌های تحلیل سری زمانی برای تحلیل داده‌هایی مورد استفاده قرار می‌گیرند که نسبت به زمان در حال تغییر هستند. این کاربرد‌ها شامل پیش بینی بازار سهام، پیش بینی آب و هوا و پیش بینی تقاضا هستند.
