1.強化學習
強化學習是智能體（Agent）以“試錯”的方式進行學習，通過與環境進行交互獲得的獎賞指導行爲，目標是使智能體獲得最大的獎賞，強化學習不同於連接主義學習中的監督學習，主要表現在強化信號上，強化學習中由環境提供的強化信號是對產生動作的好壞作一種評價(通常爲標量信號)，而不是告訴強化學習系統RLS(reinforcement learning system)如何去產生正確的動作。由於外部環境提供的信息很少，RLS必須靠自身的經歷進行學習。通過這種方式，RLS在行動-評價的環境中獲得知識，改進行動方案以適應環境。
2.集成學習
集成學習的主要思路是先通過一定的規則生成多個學習器，再採用某種集成策略進行組合，最後綜合判斷輸出最終結果。一般而言，通常所說的集成學習中的多個學習器都是同質的"弱學習器"。基於該弱學習器，通過樣本集擾動、輸入特徵擾動、輸出表示擾動、算法參數擾動等方式生成多個學習器，進行集成後獲得一個精度較好的"強學習器"。
隨着集成學習研究的深入，其廣義的定義逐漸被學者們所接受，它是指對多個學習器集合採用學習的方式，而不對學習器性質加以區分。根據這一定義，多學習器系統 (multi-classifier system) 、多專家混合 (mixture of experts) 以及基於委員會的學習 (committee-based learning)等多個領域都可以納入到集成學習中。但當前仍然以同質分類器的集成學習研究居多。
3.增強學習
也稱強化學習。
4.規則學習
規則學習概念：機器學習中的規則（rule）通常是指語義明確、能描述數據分佈所隱含的客觀規律或領域概念、可寫成"若…則…"形式的邏輯規則。
規則學習（rulelearning）是從訓練數據中學習出一組能用於對未見示例進行判別的規則。