• V případě regrese se model snaží odhadnout konkrétní hodnotu výstupu. Může tím být například odhad věku osoby na základě fotografie (protože věk může teoreticky být takřka jakékoli pozitivní číslo) nebo odhad konkrétní ceny akcie v následujícím dni na základě historického vývoje ceny (opět konkrétní číslo).
• Naopak při klasifikaci má model za úkol rozřadit vstupní data do předem definovaných skupin. Jako příklad můžeme použít výše zmíněný model, který rozděloval obrázky ptáků do skupiny holubů, nebo orlů, nebo pak navázat na předchozí příklad regrese, kde bychom mohli model upravit tak, aby na základě fotografie určoval, zda má daná osoba více než 40 let, anebo méně než 40 let (pak místo konkrétního věku model rozřazuje čistě do skupin „ano“ a „ne“) nebo zda cena akcie bude v následujícím dnu klesat či stoupat (kde opět máme čistě možnosti „stoupat“ a „klesat“ místo konkrétní ceny akcie).

• Shlukování je jedním z nejčastějších přístupů učení bez učitele, kdy se model snaží roztřídit vstupní data do skupin, které ale (oproti klasifikačním modelům) nejsou předem definované. Představme si například, že máme obrázky lidí a psů, ale nemáme označené (anotované), které obrázky jsou co. Můžeme pak vytvořit shlukovací model, který v obrázcích rozpozná vzory, které odlišují lidi od psů, a sloučí nám obrázky psů do jedné skupiny a obrázky lidí do skupiny druhé.
• Redukce dimenzionality se pak aplikuje převážně v případech, kdy chceme trénovat model strojového učení, ale máme mnoho vstupních proměnných (což může modelu ztížit trénování, neb mu trvá, než zjistí, které proměnné jsou relevantní a které ne). Navažme na výše zmíněný příklad s rozdělováním obrázků do skupin psů nebo lidí a představme si, že společně s obrázkem daného člověka či psa modelu dáváme také informaci o pohlaví a jeho jméno. Model si pak sám bude muset vyvodit, že jméno a pohlaví nejsou relevantní, ale pokud prvně použijeme jeden z algoritmů pro redukci dimenzionality, zjistíme, že tyto dvě proměnné výsledek neovlivní, a tudíž je modelu vůbec nemusíme předkládat.

(v ang. reinforcement learning) je metoda strojového učení, u které model opakovaně interaguje s prostředím a na základě odezvy upravuje své chování (je „odměňován“ za svá rozhodnutí). Skvělým příkladem je program Alpha Zero, kterému vývojáři ukázali pravidla šachu, nechali ho opakovaně hrát proti sobě samému a na základě odezev (za výhru dostal Alpha Zero pozitivní odezvu, za prohru naopak negativní) si vybudoval strategie, díky kterým porazil šachové velmistry.