机器学习的四种学习方法

监督学习（Supervised Learning）

有正确的label

如图：

有两个维度x1和x2，这里的1和2代表的是标签，即是分类结果，也就是正确结果，那么机器学习会按照这个结果自动帮你分界限，即

无监督学习（Unsupervised Learning）

无正确的label
例如在个二维坐标内，可能只知道每个点的坐标其余的什么也不知道，即是没有包含正确结果的

那么机器就会有很多种的分法，例如

半监督学习（Semi-supervised Learning)

趋于监督学习和无监督学习之间

有部分有正确结果，其他的没有的，即含少量正确结果，那么根据无监督学习分法，中间那条线就不再适用，因为有了部分的正确结果，要使其分在同一类里，那么就可能有这两种分类方法。

强化学习（Reinforcement Learning)

具有奖惩机制

机器会根据建立的模型进行操作，得到的结果如果跟答案匹配就会去奖励，然后进一步去优化，逐步去寻找最高奖励的方法，代表的有AlphaGo，其就是每天都在自我下棋，不断地去优化下棋方式，也就是寻找最高奖励的过程。

判断是监督还是无监督：
训练是否有正确结果的标签

应用

监督学习：价格预测、图像识别、语言翻译等。
无监督学习：客户分类、新闻聚类、数据降维等。
半监督学习：混合型学习应用等。
强化学习：OpenAi Five、AlphaGo等。