机器学习算法可以分为：
监督学习非监督学习半监督学习增强学习监督学习：给机器的训练数据拥有“标记”或者“答案”，例如：
我们需要告诉机器左边的画面是一只狗，而右边的照片是一只猫。同理对于MNIST数据集，给机器图像信息后还应该附上标记信息，如图所示：
运用监督学习的场景举例：
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实用信息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的金额......此课程中学习的大部分算法属于监督学习算法
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：给机器训练数据没有任何“标记”或者“答案”
聚类分析：对没有“标记”的数据进行分类
非监督学习一个非常重要的作用就是对数据进行降维处理。
特征提取：信用卡的信用评级和人的胖瘦无关？无关的特征丢掉特征压缩：PCA降维处理的意义：方便可视化
非监督学习还可以进行异常检测
如图所示：图中两个红点明显与其他点脱离，如果它们同属与一种数据，我们可以将这两个点归类为异常，将其去除。当突然图中为二维点，在高维中我们会使用相应的算法剔除异常数据。
半监督学习：一部分数据有“标记”或者“答案”，另一部分没有
相对监督学习，更常见的是各种原因产生的标记缺失的半监督学习。
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作模型的训练和预测。
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。
监督学习和半监督学习是基础。
转载于:https://www.cnblogs.com/taoke2016/p/8905948.html
相关资源：数据结构—成绩单生成器