یادگیری ماشین به طور کلی به سه بخش تقسیم می‌شود:
۱- یادگیری با نظارت: در این روش، یک مجموعه داده آموزشی که شامل ورودی‌ها و خروجی‌های مرتبط با آن‌ها است، به الگوریتم یادگیری ماشینی داده می‌شود. سپس الگوریتم به صورت خودکار الگوهایی را در داده‌های بزرگ شناسایی می‌کند که به کمک آن‌ها می‌توان پیش‌بینی‌های دقیق‌تری انجام داد. به عنوان مثال، می‌تواند برای پیش‌بینی میزان فروش یک محصول براساس ویژگی‌های مختلف آن استفاده شود.
۲- یادگیری بدون نظارت : در این روش، هیچ خروجی‌های آموزشی قبلی تعریف نمی‌شود و الگوریتم یادگیری ماشینی به صورت خودکار الگوهایی را در داده‌های بزرگ شناسایی می‌کند و بدون نیاز به هیچ خروجی‌های آموزشی، داده‌ها را خوشه‌بندی می‌کند. این روش معمولاً برای کشف الگوهای پنهان در داده‌های بزرگ و تحلیل داده‌های بدون ساختار استفاده می‌شود.
۳- یادگیری تقویتی : در این روش، یک عامل به یک محیط متصل می‌شود و با ارائه اعمال مختلف، سعی در کسب بیشترین پاداش از محیط دارد. در این روش،هدف عامل این است که با انجام عملیات مختلف، یک رفتار بهینه را در محیط ایجاد کند. این روش برای مسائلی که شامل تصمیم‌گیری‌های پی‌درپی در محیط پویا هستند، مانند بازی‌های کامپیوتری، رباتیک، موتور مسابقه و غیره استفاده می‌شود.