Alternatywą jest odkrywanie takich cech (reprezentacji) poprzez analizę danych – bez konieczności polegania na ręcznej ekstrakcji cech.
Uczenie się cech może być nadzorowane, nienadzorowane lub samonadzorowane:
W nadzorowanym uczeniu się cech, cechy są pozyskiwane przy użyciu danych wejściowych z etykietami. Dane zawierają pary wejście–etykieta; model otrzymuje dane wejściowe i musi wygenerować odpowiadającą im etykietę jako wynik (tzw. ground truth)Stuart J. Russell, Peter Norvig (2010) Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall .. Można to wykorzystać do generowania reprezentacji cech za pomocą modelu, co skutkuje wysoką dokładnością przewidywania etykiet. Przykładami są nadzorowane uczenie słownikowe, sieci neuronowe, perceptrony wielowarstwowe. W nienadzorowanym uczeniu się cech, ekstrakcja cech powstaje przy użyciu nieoznaczonych danych wejściowych poprzez analizę relacji między punktami w zbiorze danychHinton, Geoffrey; Sejnowski, Terrence (1999). Unsupervised Learning: Foundations of Neural Computation. MIT Press. ..