一、监督学习

知道数据输入的同时还知道数据的标记。就相当于告诉你题目的同时还告诉你答案，让你在这种环境下学习，称之为监督学习。

其中这几种类别的硬币已经被各种不同的颜色所标示好。

二、无监督学习

没有标示（就是没有输出y）的问题，就是不告诉你题目的正确答案让你自己去寻找，最常见的是聚类或者叫分群

三、半监督学习

通过少量有标记的训练点和大量无标记的训练点达到学习的目的。

四、强化学习

通过对一个行为作出奖励或者惩罚，以此获得的输出，进而进行学习，这种学习方式称之为强化学习。

一般可以表示为，其中向量还是为输入向量，表示一种输出，注意并不一定是最佳输出，最后一项是对输出做出的评判

五、特征分类

1. 具体特征（Concrete Features），具体特征最大特点就是便于机器学习的处理，也是基础篇中主要讨论的情形。这种情况是人类或者机器通过一定的方式提取获得的，具有实用性。
2. 原始特征（Raw Features），如图片的像素等等，是最为常见到的资料，但是需要经过处理，转换成具体特征，才容易使用，实用性不太大。
3. 抽象特征（Abstract Features），如一些ID之类的看似无意义的数据，这就更需要特征的转换、提取等工作（相对于原始特征而言），几乎没有实用性。