Học chủ động là một kiểu học có giám sát lặp lại, phù hợp cho các tình huống mà dữ liệu đầy đủ nhưng nhãn lớp (class labels) hiếm hoặc tốn kém để thu thập. Thuật toán học là "chủ động" vì nó có thể truy vấn cẩn thận một người dùng (ví dụ: một oracle con người) để lấy nhãn. Số lượng tuple dùng để học khái niệm theo phương pháp này ít hơn số lượng cần thiết trong học có giám sát thông thường.
Để giữ chi phí thấp, người học chủ động nhằm đạt độ chính xác cao sử dụng ít nhất các ví dụ đã gán nhãn. Cho D là tất cả dữ liệu đang xem xét. Có một số phương pháp tiếp tục cho học chủ động trên D.
Giả sử một tập con nhỏ của D được gán nhãn lớp. Tập này được ký hiệu là L. U là tập dữ liệu chưa gán nhãn trong D. Nó cũng được định nghĩa là một pool (kho) dữ liệu chưa gán nhãn. Người học chủ động bắt đầu với L làm tập huấn luyện ban đầu. Nó có thể sử dụng một dịch vụ truy vấn để cẩn thận chọn một hoặc nhiều mẫu dữ liệu từ U và yêu cầu nhãn cho chúng từ một oracle (ví dụ: người gán nhãn con người).
Các mẫu mới được gán nhãn được thêm vào L, mà người học cần theo cách học có giám sát tiêu chuẩn. Quá trình tiếp tục. Mục tiêu học chủ động là đạt độ chính xác cao sử dụng ít nhất các tuple đã gán nhãn. Các thuật toán học chủ động thường được đánh giá bằng đường cong học (learning curves), vẽ độ chính xác theo hàm số của số lượng thể hiện được truy vấn.
Một số nghiên cứu học chủ động tập trung vào cách chọn tuple dữ liệu để truy vấn. Có nhiều khung làm việc được đề xuất. Lấy mẫu bất định (Uncertainty sampling) phổ biến, nơi người học chủ động chọn truy vấn các tuple mà nó ít chắc chắn nhất về cách gán nhãn.
Có một số phương pháp hoạt động để giảm không gian phiên bản (version space), tức là tập con của tất cả các giả thuyết phù hợp với các tuple huấn luyện quan sát được. Có thể theo đuổi phương pháp lý thuyết quyết định (decision-theoretic) tính toán giảm thiểu lỗi kỳ vọng.
Điều này chọn các tuple có thể dẫn đến giảm lớn nhất tổng số dự đoán sai, bao gồm việc giảm entropy kỳ vọng trên U. Phương pháp này xu hướng tốn kém hơn về mặt tính toán.
Mục tiêu của học chuyển giao (transfer learning) là trích xuất kiến thức từ một hoặc nhiều tác vụ nguồn và áp dụng kiến thức cho tác vụ đích. Phương pháp học truyền thống xây dựng bộ phân loại mới cho mỗi tác vụ phân loại mới, dựa trên dữ liệu huấn luyện và kiểm tra đã gán nhãn lớp có sẵn.
Các thuật toán học chuyển giao áp dụng kiến thức về các tác vụ nguồn khi xây dựng bộ phân loại cho tác vụ đích mới (target). Việc phát triển bộ phân loại kết quả cần ít dữ liệu huấn luyện hơn và ít thời gian huấn luyện hơn. Các thuật toán học truyền thống giả định dữ liệu huấn luyện và dữ liệu kiểm tra được rút ra từ cùng phân phối và cùng không gian đặc trưng. Do đó, nếu phân phối thay đổi, các kỹ thuật này cần xây dựng lại mô hình từ đầu.