1. 监督学习（Supervised Learning）： 分类（Classification）：猜测数据归于哪个类别，例如垃圾邮件过滤、图像辨认等。 回归（Regression）：猜测一个接连的数值，例如房价猜测、股票价格猜测等。

2. 无监督学习（Unsupervised Learning）： 聚类（Clustering）：将数据分为不同的组，例如商场细分、客户分组等。 降维（Dimensionality Reduction）：削减数据的维度，例如主成分剖析（PCA）等。

3. 半监督学习（Semisupervised Learning）： 结合了监督学习和无监督学习，运用少数标示数据和很多未标示数据来练习模型。

4. 强化学习（Reinforcement Learning）： 经过与环境交互来学习，以最大化累积奖赏，例如游戏AI、自动驾驶等。

5. 搬迁学习（Transfer Learning）： 将一个预练习模型使用于新的使命，一般用于深度学习模型。

6. 反常检测（Anomaly Detection）： 辨认与正常数据不同的反常形式，例如诈骗检测、故障诊断等。

7. 生成对立网络（Generative Adversarial Networks, GANs）： 由两个神经网络组成，一个生成器（Generator）和一个判别器（Discriminator），用于生成传神的数据。

8. 元学习（Meta Learning）： 学习怎么学习，例如快速习惯新使命、小样本学习等。

这些类别中的每种学习方法都有其共同的算法和使用场景。例如，在监督学习中，常用的算法包含线性回归、逻辑回归、支撑向量机（SVM）、决策树、随机森林等；在无监督学习中，常用的算法包含Kmeans聚类、层次聚类、DBSCAN等；在强化学习中，常用的算法包含Q学习、深度Q网络（DQN）、战略梯度等。

机器学习入门攻略

1. 机器学习根底概念解析

了解机器学习的根底概念是学习机器学习的第一步。以下文章能够协助你树立对机器学习的根本知道。

-

未经允许不得转载：全栈博客园 » 机器学习有哪些,机器学习入门攻略