1，监督学习

给机器的训练数据拥有标记和答案
例如：

• 图像已经积累了标定信息
• 银行已经积累了客户的信息和信用卡的信息

2，非监督学习

给机器的训练数据没有标记或答案
对没有标记的数据进行分类 – 聚类分析

• 对数据进行降维处理

1. 特征提取：把没用的特征忽略掉
2. 特征压缩：PCA算法
3. 方便可视化
4. 异常检测：对一些错误的点去除

3，半监督学习（更常见）

一部分数据拥有标记或答案，而另一部分没用。

通常先采用无监督学习手段对数据进行处理，之后采用监督学习的手段做模型的训练和预测。

4，增强学习

根据周围环境的情况，采取行动，根据采取行动的结果，学习行动方式。

• 无人驾驶
• 机器人

机器学习的其他分类

1，批量学习（离线学习）

优点：简单
问题：如何适应环境的变化
解决方案：定时重新批量学习
缺点： 每次重新批量学习，运算量大，在某些环境，甚至不可能（比如股市）

2，在线学习

优点：及时反映新的环境变化
问题：新的数据带来不好的数据变化
解决方法：加强对数据的监控

1，参数学习

其中a和b就是参数
在学到了参数之后，就不需要原有的数据了

2，非参数学习

不对模型有过多的假设
非参数不等于没参数

久利之事莫为，众争之地莫往。