监督学习：给机器的训练数据拥有“标记”或“答案”
- 主要处理分类、回归问题
- k近邻、线性回归和多项式回归
- 逻辑回归
- SVM
- 决策树和随机森林
非监督学习：给机器的训练数据没有“标记”或“答案”
- 对没有“标记”的数据进行分类-聚类分析：电商对初始顾客没有初始印象，后期出现分类（与监督学习有啥区别？）
- 对数据进行降维处理，特征提取：信用卡的信用评级与人的胖瘦无关？（方便可视化）
- 特征压缩：PCA（尽量少损失信息的情况下，将信息压缩）
- 异常检测：去除异常点
半监督学习：一部分数据有标记或答案，另一部分数据没有
- 更常见：各种原因产生的标记缺失
- 通常都使用无监督学习手段对数据做处理，之后使用监督学习手段做模型的训练和预测
增强学习：
- 根据周围的环境情况，采取行动，根据采取行动的结果，学习行动方式。
- alphago
- 无人驾驶、机器人
- 现在比较前沿，无法达到，监督学习和半监督学习是基础