Redes neurais convolucionais (CNNs) são mais indicadas para análise sequencial de dados temporais, como séries temporais financeiras ou sinais de sensores, devido à sua capacidade de manter o estado ao longo do tempo.

O aprendizado por reforço supervisionado é uma técnica em que o agente aprende com um conjunto rotulado de ações e recompensas, baseando-se estritamente em exemplos corretos fornecidos previamente.

Em modelos de linguagem natural baseados em transformadores, como o GPT, o mecanismo de atenção permite que o modelo atribua pesos iguais a todas as palavras do contexto, garantindo que nenhuma informação seja priorizada.

Em aprendizado não supervisionado, algoritmos como K-Means são utilizados para encontrar padrões ou agrupamentos em dados sem rótulos, permitindo a descoberta de estruturas ocultas sem conhecimento prévio.