机器学习的基本分类

基于学科的分类

• 统计学：基于统计学的学习方法是收集，分析，统计数据的有效工具，描述数据的集中和离散情况，模型化数据资料。
• 人工智能：是一种积极的学习方法，利用已有的现成的数据对问题进行计算，从而提高机器本身计算和解决问题的能力。
• 信息论：信息的度量和熵的度量，对其中信息的设计和掌握。
• 控制理论：理解对象相互之间的联系与通信，关注于总体上的性质。

 

基于学习模式的分类

• 归纳学习：归纳学习是应用范围最广的一种机器学习的方法，通过大量的实例数据和结果分析，使得机器能够归纳获得该数据的一种一般性模型，从而对更多的未知数据进行预测。
• 解释学习：根据已有的数据对一般的模型进行解释，从而获得一个较为范型的学习模型。
• 反馈学习：通过学习已有的数据，根据不断地获取数据的反馈进行模型的更新，从而直接获取一个新的，可以对已有数据进行归纳总结的机器学习方法。

 

基于应用领域的分类

• 专家系统：通过数据的学习，获得拥有某个方面大量的经验和认识的能力，从而使之能够利用相关的知识来解决和处理问题。
• 数据挖掘：通过对既有知识和数据的学习，从而能够挖掘出隐藏在数据之中的行为模式和类型，从而获得对某一个特定类型的认识。
• 图像识别：通过学习已有的数据，从而获得对不同的图像或同一类型图像中特定目标的识别和认识。
• 人工智能：通过对已有模式的认识和学习，使得机器学习能够用于研究开发，模拟和扩展人的多重智能的方法，理论和技术。
• 自然语言处理：实现人与对象之间通过某种易于辨识的语言进行有效通信的一种理论和方法。