机器学习可以分为哪几类？机器学习分类

这个问题早期面试中经常被问到的问题，大部分面试官期望的回答是分为生成模型和判别模型，但实际上在不同的视角/维度下，有机器学习有很多不同的类别划分方法，初学者容易混淆。机器学习可以分为哪几类？这里整理一下，并对于生成与判别的区别展开说明一下。

机器学习可以分为哪几类？

按不同维度可以进行不同分类，比如搜索排序中的LambdaMart模型，它既是判别式模型，又是监督学习模型，又是排序模型(learning2rank)

1)按学习目标：可以分为 生成式模型、判别式模型

2)按学习方法：监督学习模型，非监督学习模型，半监督学习模型，增强学习模型，对抗学习模型

3)按应用方向：分类，聚类，回归，排序，序列标注

判别式模型与生成式模型的区别

1)常见说法是：generative model 学习 p(x,y)，而discriminative model 学习p(y|x)

=》 这并不精确，比如决策树是判别模型，但它没学习p(y|x);比如IR中学习P(query|doc, theta)的模型可以是生成式模型

2)准确说法：

生成式模型学习概率分布， 而判别式模型学习分割面(可以用概率分割也可以不用概率)

生成式模型关心数据是怎么产生的(哪怕它的目的是学条件概率)，判别式模型只关心怎么区分不同类别数据。

免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。

下面是部分截图，文末附免费下载方式。

目录

一、人工智能免费视频课程和项目

二、人工智能必读书籍

三、人工智能论文合集

四、机器学习+计算机视觉基础算法教程

 五、深度学习机器学习速查表（共26张）

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码免费下载文中资料。