今天呢，对机器学习的种类进行介绍～
从是否在人类监督下训练，可以分为：监督式学习、无监督式学习、半监督式学习和强化学习；
从是否可以动态地进行增量学习，可以分为：在线学习和批量学习；
从是简单地将新的数据点和已知的数据点进行匹配，还是像科学家那样，对训练数据进行模式检测，然后建立一个预测模型，可以分为：基于实例的学习和基于模型的学习。
下面呢，我们来看一下第一种分类。
1、监督式学习，就是包含了所需解决方案的训练数据，称为标签或标记。分类任务和回归任务都是典型的监督式学习任务。不过一些回归算法也可以用于分类任务，比如逻辑回归就被广泛地用于分类，它可以输出属于某个给定类别的概率的值。
2、无监督式学习，训练数据都是未经过标记的。比如聚类算法、可视化算法、降维、异常检测，关联检测学习等。降维的目的是在不丢失太多信息的前提下简化数据，方法之一是将多个相关特征合并为一个，这个过程叫作特征提取。异常检测是系统用正常实例进行训练，然后当看到新的实例时，它就可以判断出这个新实例看上去是正常还是异常。关联规则学习目的是挖掘大量数据，发现属性之间的有趣联系。
3、半监督式学习，就是处理部分标记的训练数据——通常是大量未标记数据和少量的标记数据。大多数半监督式学习算法是无监督式和监督式算法的结合，例如深度信念网络。
4、强化学习，它的学习系统称为智能体，它必须自行学习什么是最好的策略，策略代表智能体在特定情况下应该选择的操作。DeepMind的AlphaGo项目是一个强化学习的好例子。
其它的分类方式下一篇再讲^ ^