本文参考了北京大学王文敏教授的《人工智能原理》课程
https://www.icourse163.org/course/PKU-1002188003?tid=1206730204
mooc课件中从三个角度来分类机器学习，此外我还补充了几点
机器学习分类的视角有很多，从不同的角度可以了解机器学习学科的不同维度的特点，通过分类可以更好的了解机器学习是什么。
本文以以下几个角度分类
《人工智能原理》课程中对机器学习分类的三个视角
学习任务/学习目的指的是机器学习所解决的问题
一些典型问题
l 有监督学习：从样本数据中学习
有监督学习的六个步骤
与有监督学习相关的任务：分类，回归，排名
典型的算法
有监督学习的一些应用
l 无监督学习：类似于自学，没有老师
在无监督学习中，给机器提供的数据是没有标注的，而且没有训练过程，即机器直接对数据进行分析。
无监督学习是机器学习领域中十分重要的一部分，它被视为未来人工智能发展的一个重要的方向。
与无监督学习相关的内容：聚类，密度估计，降维
典型算法：
l 强化学习：会根据环境的反馈信息调优，类似于人通过试错进行学习。其在环境中行动并且获得这些行动的回报，根据反馈调整自己的行为使得回报最大化。
强化学习分为基于模型与无模型，主动式与被动式
此外还有补充的分类
映射类型
可分为4类：
l 归纳学习
l 演绎学习
l 类比学习
l 转导学习
l 符号主义：从逻辑学与哲学出发，认知即为计算，通过对符号的演绎推理来达到结果
l 贝叶斯派：从统计学出发，利用统计方法解决不确定性问题
l 联结主义：从神经科学出发，对大脑进行模拟仿真
l 行为类比主义：从心理学出发，研究新旧知识之间的相似性
l 进化主义：从进化生物学出发，使用遗传算法模拟进化过程
原文：https://www.cnblogs.com/zhanghad/p/12395135.html