本文介绍机器学习的三大类型：监督式学习、非监督式学习和强化学习。
机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
监督式学习 (Supervised Learning)
监督式学习，是一个机器学习中的方法，可以由训练资料中学到或建立一个模式，并依此模式推测新的实例。训练资料是由输入物件（通常是向量）和预期输出所组成。函数的输出可以是一个连续的值（称为回归分析），或是预测一个分类标签（称为分类）。
### 分类 (Classification)
在分类中，函数的输出是一个分类标签。常见的例子有垃圾邮件识别和手写数字识别。
回归 (Regression)
在回归中，函数的输出可以是一个连续的值，通常是一个数学函数。例如，对于某一职位，员工薪水和工龄之间的关系。
强化学习 (Reinforcement Learning)
另一种类型的机器学习是强化学习。在强化学习中，目标是开发一种基于与环境交互来改善其性能的代理。由于存在反馈机制，因此可以认为强化学习和监督式学习相关。然而，在强化学习中，这种反馈不是正确标签，而是强调如何基于环境而行动，以取得最大化的预期利益。
一个普遍的例子是象棋引擎。在这里，代理根据棋盘状态（环境）决定一系列动作，反馈可以在游戏结束时定义为胜或负。
非监督式学习 (Unsupervised Learning)
在无监督学习中，我们处理的是未标记的数据或未知结构的数据。使用无监督的学习技术，我们能够探索我们的数据的结构，以提取有意义的信息。常见的非监督式学习方法有聚类分析和降维。
聚类 (Clustering)
聚类是一种探索性数据分析技术，能够在不知道输入对象的任何先验知识的情况下，将其分成不同的集群。每个集群包含一定程度相似的对象，但是与其他集群中的对象不相似。例如营销人员将客户分类成不同的客户群。
降维 (Dimensionality Reduction)
通常，我们正在处理高维度的数据，这对于有限的存储空间和机器学习算法的计算性能是很大的挑战。降维是指在某些限定条件下，降低随机变量的维度，得到一组“不相关”的主变量，同时保留大部分有效信息。
