强化学习（Reinforcement Learning）
强化学习是一种学习方法，其中智能体通过在环境中采取行动并接收奖励或处罚，学习如何在给定的情况下采取最佳行动。这种学习方法通常用于教机器自主完成某个任务，例如游戏、机器人导航等。Q-learning和深度强化学习（Deep Reinforcement Learning）是强化学习的代表性算法。
监督学习（Supervised Learning）
在监督学习中，模型通过标记的训练数据进行学习。每个训练样本都有一个对应的输出或标签。常见的监督学习算法有：
- 线性回归（Linear Regression）
- 逻辑回归（Logistic Regression）
- 支持向量机（Support Vector Machines）
- 决策树（Decision Trees）
- 神经网络（Neural Networks）
半监督学习（Semi-Supervised Learning）
半监督学习是介于监督学习和无监督学习之间的一种学习方法，它使用标记和未标记的数据进行模型训练。这种方法适用于当标记数据稀缺或获取标签成本高时。半监督学习试图利用大量的未标记数据来改善学习性能。
自监督学习（Self-Supervised Learning）
自监督学习是一种无监督学习的形式，模型通过学习输入数据的内部结构，生成有用的表示。在自监督学习中，学习算法自动生成标签，不需要外部的、人工标记的标签。自监督学习在自然语言处理和计算机视觉等领域表现出色。
无监督学习（Unsupervised Learning）
无监督学习是机器学习的一种类型，其中模型试图从未标记的数据中学习。无监督学习与有监督学习不同，因为在有监督学习中，模型通过使用带标签的数据（即，每个数据点都有一个已知的输出值或标签）来进行训练。而在无监督学习中，模型尝试在没有标签的情况下发现数据的潜在结构或模式。
主要类型：
- 聚类：将相似的数据点分组在一起。常用算法包括 K-Means、层次聚类和 DBSCAN。
- 降维：减少数据的维度。常用算法包括主成分分析（PCA）、t-SNE 和 UMAP。
