Random forest je výkonná ensemble metoda v oblasti strojového učení, která kombinuje více rozhodovacích stromů pro zlepšení přesnosti a odolnosti vůči přeučení. Každý strom se učí na náhodném vzorku dat a výsledná predikce je průměrem nebo hlasováním všech stromů. Random forest je oblíbený pro klasifikaci, regresi i práci s nestrukturovanými daty.

Q-learning je algoritmus posilovaného učení, který pomáhá agentovi najít optimální strategii jednání v daném prostředí. Pracuje s tzv. Q-hodnotami, které reprezentují očekávanou odměnu za provedení určité akce ve specifickém stavu. Q-learning je bezmodelový (model-free), což znamená, že nevyžaduje znalost pravidel prostředí – učí se čistě ze zkušeností. Používá se v robotice, hrách i optimalizaci procesů.

Posilované učení je typ strojového učení, kde se agent učí rozhodovat na základě odměn a trestů v prostředí. Cílem je maximalizovat zisk v dlouhodobém horizontu. Používá se např. v robotice, hrách (např. AlphaGo), autonomních systémech nebo optimalizaci procesů. Agent se učí zkušeností podobně jako člověk – metodou pokus–omyl.