非监督式学习：
在此学习方式下。输入数据部分被标识，部分没有被标识，这样的学习模型能够用来进行预測，可是模型首先须要学习数据的内在结构以便合理的组织数据来进行预測。应用场景包含分类和回归，算法包含一些对经常使用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预測。
如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。
强化学习
在这样的学习模式下。输入数据作为对模型的反馈。不像监督模型那样。输入数据不过作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立马作出调整。常见的应用场景包含动态系统以及机器人控制等。常见算法包含Q-Learning以及时间差学习（Temporal difference learning）。
在企业数据应用的场景下。 人们最经常使用的可能就是监督式学习和非监督式学习的模型。 在图像识别等领域。因为存在大量的非标识的数据和少量的可标识数据， 眼下半监督式学习是一个非常热的话题。 而强化学习很多其它的应用在机器人控制及其它须要进行系统控制的领域。