1.2.1 关联性
在零售业中，例如超市连锁店，机器学习的一个应用是购物篮分析它的任务是发现顾客所购买商品之间的关联性：如果人们在购买商品X时候，也购买商品Y ，而有一名顾客购买了商品X确没有购买商品Y ,则他即是商品的潜在客户。
1.2.2 分类
在信用评分中， 银行要计算给定信贷额度的客户信息情况下的风险，客户信息包括我们已经获取的数据以及与计算客户财力相关的数据，即收入，存款等。。通过这类特定的申请数据，我们可以推断出一般规则，表示客户属性以及其风险性的关联性。也就是说，机器学习系统用一个模型去拟合过去的数据，以便能够对新的申请计算风险从而决定接受或者拒绝该项申请。
1.2.3 回归
假设我们想要一个能够预测二手车的价格的系统。该系统的输入是我们认为会影响到车价的属性信息：品牌，车龄，发动机性能，历程，历程以及其他信息。输出的是车的价格，这种的输出为数值的问题是回归问题。
1.2.4 非监督学习
在监督学习中，我们的目标是学习从输入到输出的映射关系，其中输出的正确之是由指导者提供。然而非监督学习中却没有这样的领导者，只有输入数据，我们的目标是发现输入数据中的规律。输入空间存在着某种结构，是的特定的模式比其他的模式更常出现 ，而我们知道哪些经常发生，哪些不经常发生，在统计学中，这种称为密度概率。
密度估计的一种方法是聚类，其目标是发现输入数据或分组。
1.2.5增强学习
在某些应用，系统的输出是动作的序列。 单个的动作并不重要，重要的是策略，即达到目标的正确动作序列，不存在中间的状态中最好的动作这个概念。如果是一个动作是好的策略的组成部分，那么该动作就是好的。 这种情况下，机器学习程序就应当能够评估策略的好坏程度， 并从以往的动作中学习，以便能够产生策略，这种学习的方法称为增强学习。