参考链接为：https://hands1ml.apachecn.org/1/
机器学习可以根据训练时监督的量和类型进行分类。主要有四类：监督学习、非监督学习、半监督学习和强化学习。
本文将简单介绍监督学习和非监督学习

监督学习

在监督学习中，用来训练算法的训练数据包含了答案，称为标签（label）

一个典型的监督学习任务是分类。
如上图所示，垃圾邮件过滤器就是一个很好的例子：用许多带有归类（垃圾邮件或普通邮件）的邮件样本进行训练，过滤器必须还能对新邮件进行分类。
那么label就是垃圾邮件和普通邮件，机器通过识别标签来学习不同类别的邮件，也即训练过程
这样训练之后的机器在面对一个没有标签的新例子（New instance）的时候就有一定的能力对它进行判断，作出是否过滤的决定

另一个典型任务是预测目标数值。
例如给出一些特征（里程数、车龄、品牌等等）称作预测值，来预测一辆汽车的价格。这类任务称作回归。
要训练这个系统，你需要给出大量汽车样本，包括它们的预测值和标签（即，它们的价格）。

以下是一些重要的监督学习算法

                                                K 近邻算法
												线性回归
												逻辑回归
												支持向量机（SVM）
												决策树和随机森林
												神经网络

非监督学习

在非监督学习中，你可能猜到了，训练数据是没有加标签的。
这意味着机器需要自己分类判断，比如下图这样，将训练集中，一些相近的训练集数据聚集在一起，作为一个类别

现在举一个例子，假设你有一份关于你的博客访客的大量数据。
而你想运行一个聚类算法，检测相似访客的分组，如下图。

不过你不会告诉算法某个访客属于哪一类，而是让它自己找出关系，无需帮助。
例如，算法可能注意到 40% 的访客是喜欢漫画书的男性，通常是晚上访问，20% 是科幻爱好者，他们是在周末访问等等。如果你使用层次聚类分析，它可能还会细分每个分组为更小的组。这可以帮助你为每个分组定位博文。

同样，可视化算法也是极佳的非监督学习案例。
给算法大量复杂的且不加标签的数据，算法输出数据的 2D 或 3D 图像。算法会试图保留数据的结构（即尝试保留输入的独立聚类，避免在图像中重叠），这样就可以明白数据是如何组织起来的，也许还能发现隐藏的规律。

上图为SNE 可视化案例，突出了聚类（注：注意动物是与汽车分开的，马和鹿很近、与鸟距离远，以此类推）

与此有关联的任务是降维，降维的目的是简化数据、但是不能失去大部分信息。做法之一是合并若干相关的特征。
例如，汽车的里程数与车龄高度相关，降维算法就会将它们合并成一个，表示汽车的磨损。这叫做特征提取。

另一个重要的非监督任务是异常检测（anomaly detection）。
例如，检测异常的信用卡转账以防欺诈，检测制造缺陷，或者在训练之前自动从训练数据集去除异常值。
异常检测的系统使用正常值训练的，当它碰到一个新实例，它可以判断这个新实例是像正常值还是异常值。

最后，另一个常见的非监督任务是关联规则学习，它的目标是挖掘大量数据以发现属性间有趣的关系。
例如，假设你拥有一个超市。在销售日志上运行关联规则，可能发现买了烧烤酱和薯片的人也会买牛排。因此，你可以将这些商品放在一起。

下面是一些最重要的非监督学习算法：

聚类

    K 均值
	层次聚类分析（Hierarchical Cluster Analysis，HCA）
	期望最大值

可视化和降维

       主成分分析（Principal Component Analysis，PCA）
		核主成分分析
		局部线性嵌入（Locally-Linear Embedding，LLE）
		t-分布邻域嵌入算法（t-distributed Stochastic Neighbor Embedding，t-SNE）

关联性规则学习

    Apriori 算法
	Eclat 算法