机器学习根据任务的不同，可以分为监督学习、无监督学习、半监督学习、强化学习。具体总结成如下图所示：
机器学习算法分类图
监督学习
训练数据包含了类别信息。要解决的问题是分类和回归，分类典型的算法有神经网络、逻辑回归、朴素贝叶斯、决策树分类、k-近邻算法、支持向量机分类等，回归典型的算法有线性回归、XGBoost 回归、随机森林回归、决策树回归、支持向量回归、多项式回归、逻辑回归、神经网络。注意有些算法既可以用于回归又可以用于分类。
分类和回归的区别：分类算法中的标签是离散的值，如+1，-1；回归算法中的标签值是连续的值，如通过人的身高、性别等信息预测人的年龄，年龄是连续的正整数。
监督学习分类图
无监督学习
训练数据不包含任何类别信息。要解决的问题是聚类问题和降维问题，聚类算法利用样本的特征，将具有相似特征的样本划分到同一类别中，不关心这个类别具体是什么，聚类典型算法有K-means算法和DBSCAN算法。降维是将样本点通过线性和非线性变换映射到低维空间，得到一个关于原数据集紧致的低维表示。降维算法有奇异值分解（SVD）、主成分分析（PCA）、因子分析（FA）、独立成分分析（ICA）等。
半监督学习
训练数据中有一部分包含类别信息，同时有一部分不包含类别信息，是监督学习和无监督学习的融合。典型算法有生成模型算法（Generate semi-supervised models）、自训练算法（Self-training）、联合训练（Co-training）、半监督支持向量机（S3VMs）、基于图论的方法。
强化学习
是通过让智能体（Agent）不断地对所处环境（Environment）进行探索和开发并根据反馈的回报（Reward）进行的一种经验学习。常见算法有：Q-learning 、SARSA、DQN等。
