分类：
目前机器学习主流分为：监督学习，无监督学习，半监督学习，强化学习。
1、监督学习：
监督学习可分为“回归”和“分类”问题。
在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。
监督学习最大的特点是：每个数据点都会获得标注，如类别标签或与数值相关的标签。一个类别标签的例子：将图片分类为「苹果」或「橘子」；数值标签的例子如：预测一套二手房的售价。监督学习的目的是通过学习许多有标签的样本，然后对新的数据做出预测。例如，准确识别新照片上的水果（分类）或者预测二手房的售价（回归）。
2、无监督学习：
在无监督学习中，我们基本上不知道结果会是什么样子，但我们可以通过聚类的方式从数据中提取一个特殊的结构。
无监督学习最大的特点是：数据没有标签。无监督学习算法的目标是以某种方式组织数据，然后找出数据中的内在结构。包括将数据进行聚类，或者找到更简单的方式处理复杂数据，使数据看起来更简单。
3、半监督学习：
半监督学习中，有些数据是有标签的，有些数据是没有标签的，因为实际中缺乏的不是数据，而是带标签的数据，给收集的数据进行标签代价是比较高的。
4、强化学习：
强化学习是一种学习模型，它并不会直接给你解决方案，而是让机器通过试错去找到解决方案。我们熟知的Alphago用的就是强化学习。
强化学习不需要带标签，你选择的行动越好，你得到 的反馈就越多，所以能通过执行这些行动看是输是赢来学习下围棋，不需要有人告诉你哪些行动是好的，哪些是坏的，属于完全自主性学习。
强化学习的特点：能自动进行决策，并进行连续的决策。
总结：目前用到最多的是监督学习和非监督学习，尤其是监督学习，因为应用场景能给公司创造直接价值。
但强化学习是未来，因为学习到的能力没有数据限制。