机器学习是数据分析和数据挖掘中一种比较常见且有效的方法，机器学习分为四大类，分别是有监督学习、无监督学习、半监督学习和强化学习。
1.有监督学习
概念：将包含特征和标签信息的样本作为训练样本，通过训练样本训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。
常见算法：分类算法(KNN、朴素贝叶斯、SVM、决策树、随机森林、BP神经网络算法等)和回归算法(逻辑回归、线性回归等)。
应用场景：分类和回归的场景，如垃圾邮件分类、心脏病预测等。
2.无监督学习
概念：训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是"聚类"，聚类目的在于把相似的东西聚在一起，主要通过计算样本间距离和群体间距离得到。
常见算法：密度估计、异常检测、层次聚类、EM算法、K均值算法、DBSCAN算法等。
应用场景：聚类场景，如聚合新闻网站。
3.半监督学习
概念：有监督学习需要获取大量有标记的数据，是一种成本较高的学习方法，而无监督学习不依赖数据的标记，但是对解决分类和回归的问题有一些难度。所以通过对样本进行部分标记，再使用机器学习的算法，就是半监督学习。
常见算法：生成模型算法、自训练算法、联合训练、半监督支持向量机、基于图论的方法等。
应用场景：一些标记数据比较难获取的场景。
4.强化学习
概念：程序或智能体(agent)通过与环境不断地进行交互，学习一个从环境到动作的映射，学习的目标就是使累计回报最大化。
强化学习是一种试错学习，因其在各种状态（环境）下需要尽量尝试所有可以选择的动作，通过环境给出的反馈（即奖励）来判断动作的优劣，最终获得环境和最优动作的映射关系（即策略）。
常见算法：隐马尔科夫、蒙特卡罗。
应用场景：针对流程中需要不断推理的场景，如无人汽车驾驶、阿尔法狗下围棋等。
参考文献
[4]李博.机器学习实践应用[M].北京:人民邮电出版社,2017:16-18.