1.分类问题：
从训练样本中学习，构建一个函数（分类器），对样本的所属类别进行判别
典型的分类问题：
1.垃圾邮件识别
2.文本分类
3.信用评分
4.欺诈检测
5.图像识别
6.用户流失预测
7.营销响应预测
8.广告点击率预估
9.商品推荐
2.聚类问题：
从数据中探索样本之间的相似性，把特征相似的样本聚为一类，是一种无目标的探索性分析
典型的聚类问题：
1.用户分群
2.相似文档聚类
3.回归问题：
从训练样本中学习，构建一个函数，对样本的目标变量进行估值
典型的回归问题：
1.房价预测
2.收入预测
4.关联问题：
从交易型数据中发现频繁关联出现的Item（商品），又称为购物篮分析
典型的关联问题：
1.商品买了还买
2.电影看了还看
3.商品推荐
5.序列问题：
从顺序型数据中发现序列模式，例如9个月前买了PC的用户，下一个月可能会买一根内存
典型的序列问题：
1.购物模式预测
2.网站点击模式预测
3.中文分词
4.DNA序列分析
6.异常检测问题：
检测样本取值是否显著偏离常规，发现有意义的孤立点和异常值
典型的异常检测问题：
1.信用卡欺诈行为检测
2.网络安全检测
3.不合格产品检测
