本文參考了北京大學王文敏教授的《人工智能原理》課程
https://www.icourse163.org/course/PKU-1002188003?tid=1206730204
mooc課件中從三個角度來分類機器學習，此外我還補充了幾點
機器學習分類的視角有很多，從不同的角度可以了解機器學習學科的不同維度的特點，通過分類可以更好的了解機器學習是什么。
本文以以下幾個角度分類
- 學習任務
- 學習范式/反饋類型
- 學習模型
- 學習方式
- 學習策略
- 應用領域
《人工智能原理》課程中對機器學習分類的三個視角
學習任務
學習任務/學習目的指的是機器學習所解決的問題
一些典型問題
學習范式/反饋類型
l 有監督學習：從樣本數據中學習
有監督學習的六個步驟
與有監督學習相關的任務：分類，回歸，排名
典型的算法
有監督學習的一些應用
l 無監督學習：類似於自學，沒有老師
在無監督學習中，給機器提供的數據是沒有標注的，而且沒有訓練過程，即機器直接對數據進行分析。
無監督學習是機器學習領域中十分重要的一部分，它被視為未來人工智能發展的一個重要的方向。
與無監督學習相關的內容：聚類，密度估計，降維
典型算法：
l 強化學習：會根據環境的反饋信息調優，類似於人通過試錯進行學習。其在環境中行動並且獲得這些行動的回報，根據反饋調整自己的行為使得回報最大化。
強化學習分為基於模型與無模型，主動式與被動式
學習模型
此外還有補充的分類
學習方式
映射類型
可分為4類：
l 歸納學習
l 演繹學習
l 類比學習
l 轉導學習
學習策略
l 符號主義：從邏輯學與哲學出發，認知即為計算，通過對符號的演繹推理來達到結果
l 貝葉斯派：從統計學出發，利用統計方法解決不確定性問題
l 聯結主義：從神經科學出發，對大腦進行模擬仿真
l 行為類比主義：從心理學出發，研究新舊知識之間的相似性
l 進化主義：從進化生物學出發，使用遺傳算法模擬進化過程
應用領域
