一：机器学习分类一（根据不同的用途）
1.监督学习：
(1)分类：label 是离散的
(2)回归：label（在这里说预测值更合适，比如房价，无人驾驶中方向盘转动的角度） 是连续的
在一些情况下，可以将连续的预测值量化，从而将回归问题转化为分类问题。
2.非监督学习：
(1)对数据进行降维：
特征提取：
特征压缩：PCA，将关联度（相似性）高的特征变为一个。
如手写数字的识别，相邻的像素点灰度值近似，因此可用一个像素点代替周围的多个，从而减少特征数量，降低维度
数据降维的意义：数据可视化。如把高维降到二维，三维，方便作图，将数据的具体分布等展现出来，使人们更好的理解。
(2)异常检测
3.半监督学习
实际中，可能有些样本的标签值（也可以表示回归中的预测值）丢失，有些样本有标签，有些没有标签，则称之为半监督学习。
半监督学习的方法：一般先用非监督学习手段对数据做处理，之后使用监督学习的手段做模型的训练和预测。
二，机器学习分类二（根据是否能适应环境的变化）
1.批量学习：
(1)定义：批量学习是指用一批数据将模型训练完成后，训练数据就被丢弃。在实际环境中输入样本，预测样本，模型不再更新。
(2)如何和适应环境的变化？
定时重新批量学习，但计算量大，某些业务可能需要频繁的重新批量学习。
2.在线学习;
(1)定义：
能及时反映新的数据变化，也适用于数据量大，无法完全批量学习的环境。
(2)新的（异常）数据带来不好的影响怎么办？
加强对数据进行异常监控（用到非监督学习中的异常监测功能）
三。机器学习分类三（根据参数进行划分）
1.参数学习
如先假设：f(x)=ax+b,根据点的坐标（样本），训练，学习得到参数a,b的值
2,非参数学习（对这个还不是特别理解，后续更新）
不对其进行过多的假设，但不代表没有参数。