根据数据类型的不同，对一个问题的建模有不同的方式，人们首先会考虑算法的学习方式。将算法按照学习方式分类可以让人们在建模和算法选择时，根据输入数据来选择最合适的算法，从而获得最好的结果。

在机器学习领域，有以下四种主要的学习方式。

• 监督式学习(Supervised Learning)

在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”、“非垃圾邮件”。

在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。

监督式学习的常见应用场景如分类问题和回归问题。

• 非监督式学习(Unsupervised Learning)

在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。

常见的应用场景包括关联规则的学习以及聚类等。

• 半监督式学习(Semi-supervised Learning)

在半监督式学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。

应用场景包括分类和回归，算法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测。

• 强化学习(Reinforcement Learning)

在强化学习方式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是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，模型必须对此立刻作出调整。

常见的应用场景包括动态系统以及机器人控制等。