Általánosságban elmondható, hogy egy mesterséges intelligencia rendszer általában vagy unsupervised learning, vagy supervised learning módszert használ a tanuláshoz. Az unsupervised learning rendszerek általában arra törekednek, hogy felismerjék az adatokban rejlő struktúrákat vagy mintázatokat anélkül, hogy kívánt kimeneti értékeket használnának. A supervised learning rendszerek pedig olyan adatokat használnak, amelyekhez kívánt kimeneti értékek vannak rendelve, és a rendszer ezeket az értékeket tanulja meg előrejelzések generálásához.
Azonban van néhány speciális eset, ahol a rendszer egyidejűleg használhat mind unsupervised, mind supervised tanulást. Ezt multimodális tanulásnak nevezik, amikor a rendszer többféle adatforrást és tanítási módszert kombinál. Például, ha rendelkezésre állnak olyan adatok, ahol vannak kívánt kimeneti értékek, de nincsenek teljesen címkézett adatok, akkor lehetőség van az unsupervised tanulásra is. Az unsupervised tanulás segíthet a reprezentációk tanulásában és az adatok struktúráinak felderítésében. Ezután a rendszer felhasználhatja ezeket a tanult reprezentációkat a supervised learning feladatokban.
Egy másik példa a reinforced unsupervised learning, ahol a rendszer a reinforcement learning és az unsupervised learning kombinációját alkalmazza. Ebben az esetben a rendszer folyamatosan kölcsönhatásba lép egy környezettel, és egyidejűleg tanulja az adatok struktúráit és mintázatait unsupervised módon, valamint az akciók megtanulását és optimalizálását a reinforcement learning révén.
Fontos megjegyezni, hogy ezek a speciális esetek, és a legtöbb esetben az unsupervised és supervised learning különálló tanulási módszerekként alkalmazhatók. Az alkalmazott tanulási módszer a konkrét feladattól, a rendelkezésre álló adatoktól és az elérni kívánt céltól függ.