No campo da aprendizagem de máquina, a criação de modelos pode ser amplamente categorizada em aprendizado supervisionado e não supervisionado.

O aprendizado supervisionado é um método em que um modelo é treinado em dados rotulados, ou seja, o algoritmo é fornecido com pares de entrada-saída, e aprende a mapear as entradas para as saídas desejadas. Exemplos incluem regressão, onde prevemos um valor contínuo, e classificação, onde atribuímos dados de entrada a uma das categorias pré-definidas.

Por outro lado, o aprendizado não supervisionado opera sem dados rotulados, visando identificar padrões ou estruturas dentro dos dados. O algoritmo não é informado da resposta "correta", mas tenta extrair percepções por conta própria. Técnicas como agrupamento, onde dados são agrupados com base em semelhanças inerentes, e redução de dimensionalidade, onde características redundantes ou menos informativas são minimizadas ou removidas, são exemplos clássicos.

Ambos os métodos de aprendizado supervisionado e não supervisionado são fundamentais na ciência de dados e oferecem diversas ferramentas para abordar uma ampla gama de problemas e desafios.