机器学习的其他分类：
在线学习(online learining)和批量学习（离线学习 batch learning/offline learning）：
批量学习(之前没有具体说明的话，都可以用批量学习来进行机器学习):收集资料，扔给算法，生成模型使用，之后再给样例就不会再进行对算法的优化
优点：简单
问题：如何适应环境的变化？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
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？(获得的数据可能不是正常的数据) 解决方案:需要加强对数据进行监控(应用非监督学习进行异常检测)
其他：也适用于数据量巨大，完全无法批量学习的环境
参数学习和非参数学习：
参数学习:一旦学到了参数，就不再需要原有的数据集 ，数据的作用是算出参数。
非参数学习:不对模型进行过多假设(即不像参数学习一样假设出一个线性的函数来预测结果)
注:非参数不等于没参数！(只是不对整个问题进行建模，不把整个问题是理解为学习一些参数，但是学习过程中依然是需要一些参数参与)