1. 监督学习(分类、回归任务)

给机器的训练数据拥有“标记”或“答案”

2. 非监督学习

给机器的训练数据没有“标记”或“答案”，其意义在于：

  1. 对没有“标记”的数据进行分类-聚类分析
  2. 对数据进行降维处理（特征提取，特征压缩PCA）- 方便可视化
  3. 异常检测

3. 半监督学习

给机器的训练数据一部分拥有“标记”或“答案”，一部分没有，通常先使用无监督学习手段对数据处理，再使用监督学习做模型的训练和预测

4. 增强学习（机器人-Alpha-Go）

根据周围环境采取行动，根据采取行动的结果，学习行为方式

5. 批量学习

不能及时反映环境的变化

6. 在线学习

将输出的正确结果再次送给机器学习算法进行训练模型，能及时反映环境的变化，但新的数据可能带来不好的变化，因此我们需要对数据进行监控

7. 参数学习

一旦学到了参数，就不再需要原有的数据集，例如：f(x)=a*x+b,学到了a和b的值，那么给一个输入x就可以给一个输出y

8. 非参数学习

不对模型做过多假设，非参数不等于没参数