1.監督式學習：
在監督式學習下，輸入資料被稱為「訓練資料」，每組訓練資料有乙個明確的標識或結果，如對防垃圾郵件系統中「垃圾郵件」「非垃圾郵件」，對手寫數字識別中的「1「，」2「，」3「，」4「等。在建立**模型的時候，監督式學習建立乙個學習過程，將**結果與「訓練資料」的實際結果進行比較，不斷的調整**模型，直到模型的**結果達到乙個預期的準確率。監督式學習的常見應用場景如分類問題和回歸問題。常見演算法有邏輯回歸（logistic regression）和反向傳遞神經網路（back propagation neural network）
2.非監督式學習:
在非監督式學習中，資料並不被特別標識，學習模型是為了推斷出資料的一些內在結構。常見的應用場景包括關聯規則的學習以及聚類等。常見演算法包括apriori演算法以及k-means演算法。
3.半監督式學習：
在此學習方式下，輸入資料部分被標識，部分沒有被標識，這種學習模型可以用來進行**，但是模型首先需要學習資料的內在結構以便合理的組織資料來進行**。應用場景包括分類和回歸，演算法包括一些對常用監督式學習演算法的延伸，這些演算法首先試圖對未標識資料進行建模，在此基礎上再對標識的資料進行**。如圖論推理演算法（graph inference）或者拉普拉斯支援向量機（laplacian svm.）等。
4.強化學習：
在這種學習模式下，輸入資料作為對模型的反饋，不像監督模型那樣，輸入資料僅僅是作為乙個檢查模型對錯的方式，在強化學習下，輸入資料直接反饋到模型，模型必須對此立刻作出調整。常見的應用場景包括動態系統以及機械人控制等。常見演算法包括q-learning以及時間差學習（temporal difference learning）
在企業資料應用的場景下， 人們最常用的可能就是監督式學習和非監督式學習的模型。 在影象識別等領域，由於存在大量的非標識的資料和少量的可標識資料， 目前半監督式學習是乙個很熱的話題。 而強化學習更多的應用在機械人控制及其他需要進行系統控制的領域。
機器學習演算法彙總
機器學習知識樹 1 bayesian mode樸素貝葉斯模型 2 k nearest neighbors knn k近鄰 3 support vector machines svm 支援向量機 4 decision trees決策樹 5 boosting 6 隨機森林 7 neural networ...
機器學習演算法簡單彙總
adaboost 演算法 k means 演算法 混合高斯模型演算法gmm演算法 方法 利用了凸函式jensen不等式，即jensen不等式表述如下 e f x f ex em可以看作是j的座標上公升法，e步固定 優化q，m步固q,優化 最大期望 em 演算法是在概率 probabilistic 模...
機器學習演算法彙總（上）
分類演算法 經典演算法 前沿演算法 演化計算演算法 協同進化 演化 python機器學習 深度學習神經網路 特徵選擇演算法 本頁面一周一更新，無新文章不更新，上次更新2018年4月18日。機器學習術語表 機器學習領域權威會議與期刊整理 機器學習中一些模型為什麼要對資料歸一化？機器學習資料集劃分及交叉...