Uczenie wsadowe (batch learning/offline learning) jest to sytuacja, w której model uczymy raz i później wrzucamy ten model „na produkcję”. W ramach potrzeby przeuczenia modelu, uczony jest on od początku na danych, które już istniały oraz na nowych danych. Niestety wymaga to przechowywania wszystkich danych uczących i ich dalszego gromadzenia. A co gorsze każdorazowego uczenia modelu od początku.
Uczenie przyrostowe (online learning) – polega na nauczeniu modelu na bazowych przykładach, wrzuceniu modelu „na produkcję”, i dalszej jego nauce z danych pochodzących „z produkcji”. Dzięki temu model uczy się na bieżąco – jest aktualny cały czas – przez co nie jest konieczne uczenie modelu od nowa. Jest to fajne rozwiązanie, jeśli ilość informacji, jest niemożliwa do przetrzymania na dyskach. Jednak należy tutaj zadbać o odpowiednie ustawienie współczynnika uczenia (learning rate) – jeśli będzie miał zbyt wysoką wartość to model będzie szybko się uczył, ale będzie zapomniał „stare reguły”, zaś jeśli będzie zbyt niski, to długo będzie się uczył „nowych reguł”.