types of learning

一、以输出空间来划分
二元分类（y=+1、-1）
多类别分类（y=1、2、…k）
回归（y=R 或是 [k1,k2])
结构学习（输出空间存在某种结构关系，比如输入是句子，为每个单词标注，可视为多类别分类问题，但是由于输入单词个数不确定性导致没有明确的输出类别）
二、以训练集数据是否包含标签来划分
监督学习
非监督学习：不带标签
具体来说，根据实际输出取值又可分为有clustering、density等问题，针对这些问题演算法也是各不相同

半监督学习：训练集中数据大多是不带标签的，少部分带有标签

增强式学习
常与online learing 一起使用，数据是一笔一笔地给machine

三、machine获取训练集方式的不同
batch learning
online learning：给machine一笔数据，machine 给出预测结果，根据用户反馈修正learning参数
active learning ：适合于标注少的训练集，machine 根据自己的想象或是训练集提出问题
四、输入空间的不同
具体特征：比如用户信息，每个维度具备特定的意义
原特征：比如输入是图像，每个维度就是像素点，没啥特定的含义
抽象特征：比如打分系统，我们需要预测某个用户对某个物品的评价，输入集是id信息
对于原特征和抽象特征，需要特征提取。