1. یادگیری نظارت‌شده ( Supervised Learning) :  داده‌ها برچسب دارند و مدل یاد می‌گیرد ارتباط ورودی و خروجی را پیدا کند.  مسائل یادگیری ماشین نظارت شده به دو دسته «دسته‌بندی» و «رگرسیون» تقسیم می شوند. دسته‌بندی: هنگامی که متغیر خروجی گسسته و متعلق به یک دسته یا گروه باشد. مثال: تقسیم ایمیل به دسته‌های «هرزنامه» یا «غیر هرزنامه». رگرسیون: هنگامی که متغیر خروجی پیوسته و یک مقدار حقیقی مانند «قد» باشد. 

2. یادگیری بدون نظارت ( Unsupervised Learning) : داده‌ها برچسب ندارند و مدل باید خودش الگوها را پیدا کند. مسائل یادگیری ماشین بدون نظارت به دو دسته « قوانین انجمنی » و « خوشه‌بندی » تقسیم می شوند. قوانین خوشه بندی : هنگامی که قصد کشف گروه‌های ذاتی (داده‌هایی که ذاتا در یک گروه خاص می‌گنجند) در داده‌ها وجود داشته باشد. قوانین انجمنی : هنگامی که هدف کشف قواعدی باشد که بخش بزرگی از داده‌ها را توصیف می‌کنند. 

3. یادگیری تقویتی ( Reinforcement Learning) : با استفاده از یادگیری تقویتی، ماشین می‌آموزد که تصمیمات مشخصی را در محیطی که دائم در معرض آزمون و خطا است اتخاذ کند.مدل با آزمون و خطا یاد می‌گیرد.یا جریمه می‌شود.        

• الگوریتم‌های یادگیری نیمه‌نظارتی و تقویتی  :   

  - معرفی یادگیری نیمه‌نظارتی برای داده‌های ناقص پزشکی

  - مبانی یادگیری تقویتی و کاربرد آن در جراحی رباتیک و تنظیم دوز دارو