目前主流的人工智能中，最主要使用的是机器学习和深度学习，它们是专门研究计算机怎样模拟人类的学习行为获取新的知识或技能，从而不断改善自身的性能。
监督学习
在监督学习中，每个训练数据组都是由一个输入对象和一个期望的输出值组成的，目标是得出输入和输出数据的函数关系，并推断其他输入数据可能的输出值。函数的输出可以是一个连续的值或是预测一个分类标签。监督学习中常见的算法有K-邻近、决策树、朴素贝叶斯、逻辑回归、支持向量机。
半监督学习
半监督学习是监督学习与无监督学习相结合的一种学习方法，输入数据包括有标签样本数据和无标签样本数据，根据这些数据集训练习，输出一个学习机，对数据集或者外界的无标签样本进行预测，以便大幅度降低标记成本。其中包括一些对常用监督式学习算法的延伸，如图论推理算法、拉普拉斯支持向量机等。使用半监督学习，减轻了获取大量样本标签的代价，又能够带来比较高的准确性，因此越来越受到人们的重视。
无监督学习
无监督式学习输入无标签数据，学习模型推断出数据的内在结构。常见的应用场景包括关联规则的学习，聚类和降维等。常见算法包括Apriori算法、K均值聚类、主成分分析降维，以及神经网络中的自组织映射聚类等。
强化学习
强化学习基于智能实体与环境之间的动态交互。当智能实体感知到环境信息后，依据自己采取动作所可能带来的奖赏或惩罚确定策略，并进一步观察环境的反应，循环往复，直至收敛至某一稳态状态。强化学习的常见应用场景包括调度管理、信息检索、过程控制、动态系统以及机器人控制等。常见算法包括Q学习以及时序差分。
神经网络
神经网络也叫人工神经网络，是受生物神经网络启发而构建的算法模型，常用于解决非线性回归和分类问题。一个简单的神经网络的逻辑架构包括输入层、隐藏层和输出层。输入层负责接收信号，隐藏层负责对数据的分解和处理，输出层输出整合结果。
深度学习
早先的神经网络算法比较容易过训练，准确率依赖于庞大的训练集，训练速度受限于计算机，分类效果并不优于其它方法。深度学习算法可通过多隐层的神经网络逐层预训练进行特征学习，具有自学习功能、联想存储功能和高速寻找优化解的能力，适用于模式识别、信号处理、优化组合、异常探测、文本到语音转录等数据量庞大、参数之间存在内在联系的场景。神经网络也从单纯的监督学习转向半监督学习和无监督学习领域，并且可以实现分类器、生成数据、降维等多种功能。