嚴格意義上來說，機器學習可以分為以下幾類：有監督學習，無監督學習，半監督學習，強化學習。
有監督學習是指在訓練過程中的資料是同時又特徵和標籤的，也就是說模型在訓練過程中是知道正確結果的，模型可以根據標籤為指導進行引數調整，這種學習方式好像學習被監督了一樣，因此監督學習的意義為：學習的過程有標籤作為指導演算法引數調整的過程。
無監督學習是在訓練過程中，資料只有特徵而沒有標籤的。所以無監督學習通常不是分類而是聚類，即相似特徵的樣本聚集在一起。
半監督學習是介於有監督學習和無監督學習之間的，通常針對於樣本標籤缺失或者樣本過少的問題。這時候我們無法利用有監督學習直接進行訓練，但是我們又想充分利用類標的資訊。因此，半監督學習是一種介於有監督和無監督的一種折中方案
所謂強化學習就是智慧型系統從環境到行為對映的學習，以使獎勵訊號（強化訊號）函式值最大，強化學習不同於連線主義學習中的監督學習，主要表現在教師訊號上，強化學習中由環境提供的強化訊號是對產生動作的好壞作一種評價（通常為標量訊號），而不是告訴強化學習系統 rls（reinforcement learning system）如何去產生正確的動作。由於外部環境提供的資訊很少，rls 必須靠自身的經歷進行學習。通過這種方式，rls 在行動-評價的環境中獲得知識，改進行動方案以適應環境。
機器學習的分類
機器學習專門研究計算機怎樣模擬或實現人類的學習行為，根據過往的經驗對一類問題形成某種認識或總結出一定的規律，然後利用這些規律來對新的問題進行 並且可以持續根據新的知識，重新組織已有的知識結構使之不斷改善自身的效能。機器學習根據是否有目標值可以分為以下幾種 1.監督學習 每個訓練資料樣本都有對應的期望...
機器學習（1） 機器學習的分類
第二種分類方式 本文是imooc python3入門機器學習 的學習筆記，用於整理自己學習到的概念，用以備查。簡單說來，就是對於學習對於所要求的資料集，是否需要標註。常見的監督學習演算法有 常見的 非監督演算法及其用處見下 出於各種原因，資料集可能出現一部分資料集帶有標記，而另一部分則缺失標記。此時...
機器學習分類
監督學習是從標記的訓練資料來推斷乙個功能的機器學習任務。訓練資料報括一套訓練示例。在監督學習中，每個例項都是由乙個輸入物件 通常為向量 和乙個期望的輸出值 也稱為監督訊號 組成。監督學習演算法是分析該訓練資料，並產生乙個推斷的功能，其可以用於對映出新的例項。主要有 非監督學習是在未加標籤的資料中，試...