监督学习：给机器的训练数据拥有“标记”或者“答案”。
图像已经拥有了标定信息
银行已经积累了一定的客户信息和他们信用卡的信用
情况
医院已经积累了一定的病人信息和他们最终确诊是否患病的情况
市场积累了房屋的基本信息和最终成交金额
······
非监督学习 ： 给机器的训练数据没有“标记”或者“答案”。
对没有“标记”的数据进行分类-聚类分析
对数据进行降维处理
特征提取：信用卡的恶心用评级和人的胖瘦无关？
特征压缩：PCA
降维处理的意义：方便可视化
异常检测
半监督学习 ： 一部分数据有“标记”或者“答案”，另一部分数据没有
更常见：各种原因产生的标记缺失
通常都先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与预测
增强学习：根据周围环境的情况，采取行动，根据采取行动的结果，学习行动方式。
无人驾驶、机器人
监督学习和半监督学习是基础
机器学习的其他分类：
批量学习：
优点：简单
问题：如何适应环境变化？
解决方案：定时重新批量学习
缺点：每次重新批量学习，运算量巨大
在某些环境变化非常快的情况下，甚至不可能的。
在线学习：
优点：及时反映新的环境变化
问题：新的数据带来不好的变化？
解决方案：需要加强对数据进行监控
其他：也适用于数据量巨大，完全无法批量学习的环境。
机器学习的另一种分类：
参数学习：
特点：一旦学到了参数，就不再需要原有的数据集。
非参数学习：
不对模型进行过多假设
非参数不等于没参数！
