机器学习的分类：有监督、无监督、半监督

1.有监督学习：

特点---训练模型时提供给学习系统训练样本以及样本对应的类别标签， 因此又称为有导师学习。

举例子---学生从老师那里获取知识、信息，老师提供对错指示、告知最终答案的学习过程

目标---获得泛化能力

方法---决策树、支持向量机、监督式神经网络

应用---手写文字识别、声音处理、图像处理、垃圾邮件分类与拦截、网页检索、 基因诊断、股票预测等

任务---预测分类标签的分类、 预测顺序的排列、 预测数值型数据的回归

2.无监督学习：

特点---训练时只提供给学习系统训练样本，而没有样本对应的类别标签信息。

举例子---没有老师的情况下， 学生从书本或网络自学的过程

目标---不必十分明确

方法---聚类学习、自组织神经网络学习

应用---人造卫星故障诊断、 视频分析、 社交网站解析、 声音信号解析、 数据可视化、 监督学习的前处理工具等

任务---聚类、 异常检测

3.半监督学习：

例子---给学生很多未分类的书本与少量的清单， 清单上说明哪些书属于同一类别， 要求对其他所有书本进行分类、目标---不必十分明确

方法---聚类学习、自组织神经网络学习

应用---人造卫星故障诊断、 视频分析、 社交网站解析、 声音信号解析、 数据可视化、 监督学习的前处理工具等

4.强化学习：是人类主要的学习模式之一

特点---通过试错来发现最优行为策略而不是带有标签的样本学习

举例子---在没有老师提示的情况下， 自己对预测的结果进行评估的方法。

目标---使计算机获得对没学习过的问题也可以做出正确解答的泛化能力

应用---机器人的自动控制、 计算机游戏中的人工智能、 市场战略的最优化等

任务---回归、分类、聚类、降维。 例：下棋、机器人、自动驾驶等