一、监督学习
监督（supervised）是指训练数据集中的每个样本均有一个已知的输出项（类标label）。
输出变量为连续变量的预测问题成为回归（regression）问题（例如西瓜成熟度）。
输出变量为有限个离散变量的预测问题成为分类问题（例如西瓜的分类）。
二、非监督学习（unsupervised learning）
给机器一大堆没有分类标记的数据，让机器可以对数据分类、检测异常等。
（一）聚类
通过特征之间的相似性
（二）降维
通过机器学习算法达到降维目的，区别于特征选择
三、半监督学习
提供了一条利用“廉价”的未标记样本的途径
四、强化学习（解决连续问题）
是机器学习的一个重要分支，主要用来解决连续决策的问题。例如围棋可以归纳为一个强化学习问题，需要学习在各种局势下如何走出最好的招法
五、迁移学习（解决小数据集、个性化和模型适用性问题）
六、深度强化迁移学习