依据数据类型的不同，对一个问题建模有不同的方式。依据不同的学习方式和输入数据，机器学习主要分为以下四种学习方式。

监督学习

特点：监督学习是使用已知正确答案的示例来训练网络。已知数据和其一一对应的标签。训练一个预测模型，将输入数据映射到标签的过程。
常见应用场景：监督式学习的常见应用场景如分类问题和回归问题。
算法举例：常见的有监督机器学习算法包括支持向量机，朴实贝叶斯，逻辑回归，K邻近，决策树，随机森林，AdaBoost以及线性判别分析等。深度学习也是大多数以监督学习的方式呈现。

非监督式学习

特点：在非监督学习中，数据并不被特别标识，适用于你具有数据集但无标签的情况。学习模型是为了推断出数据的一些内在结构。
常见应用场景：常见的应用场景包括关联规则的学习以及聚类等。
算法举例：常见算法包括Apriori算法以及k-Means算法。

半监督学习

特点：在此学习方式下，输入数据部分被标记，部分没有被标记，这种学习模型可以用来进行预测。
常见应用场景：应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，通过对已标记数据建模，在此基础上，对未标记数据进行预测。
算法举例：常见算法如图论推理算法或者拉普拉斯支持向量机等。

弱监督学习

特点：弱监督学习可以看做是有多个标记的数据集合，次集合可以是空集，单个元素，或包含多种情况（没有标记，有一个标记，和有多个标记）的多个元素。 数据集的标签是不可靠的，这里的不可靠可以是标记不正确，多种标记，标记不充分，局部标记等。已知数据和其一一对应的弱标签，训练一个智能算法，将输入数据映射到一组更强的标签的过程。标签的强弱指的是标签蕴含的信息量的多少，比如相对于分割的标签来说，分类的标签就是弱标签。
算法举例：举例，给出一张包含气球的图片，需要得出气球在图片中的位置及气球和背景的分割线，这就是已知弱标签学习强标签的问题。

监督学习有哪些步骤

1. 数据集的创建和分类：对数据集进行标注，然后将数据集分为训练集和验证集。
2. 数据增强：对数据进行增强减少其他包含在数据集下的干扰信息。
3. 特征工程：特征工程包括特征提取和特征选择。常见的手工特征有尺度不变特征变换，方向梯度直方图等。在大量使用深度学习之后，很大程度上不用再关注特征工程。因为，最常用的卷积神经网络本身就是一种特征提取和选择的引擎。
4. 构建预测模型和损失：构建合适的预测模型得到对应输入的输出。为了保证模型输入输出的一致性，可以通过构建模型预测和标签之间的损失函数的方式，常见的损失函数有交叉熵，均方差等。
5. 训练：选择合适的模式和超参数进行初始化，其中超参数比如支持向量机中核函数，误差项惩罚权重等。将特征数据输入到模型中，通过合适的优化方法不断缩小输出与标签之间的差距。优化方法最常见的就是梯度下降法以及其变种，使用梯度下降法的前提是优化目标函数对于模型是可导的。
6. 验证和模型选择：训练完训练集后，需要进行模型的测试。利用测试集来验证模型是否可以准确的输出目标结果，在这个阶段，会通过调整和模型相关参数来重复2,3步骤。
7. 测试及应用：当有了一个准确的模型，就可以将该模型部署到你的应用程序中。