接續昨天所聊到的，我們對於機器學習已經有些基礎的概念了，知道它究竟是什麼意思，也理解它大致上的運作流程，那麼今天再來補充一些關於機器學習的分類吧！
機器學習主要可以分類為以下幾種：
監督式學習（Supervised Learning）：
在機器的訓練(Training)過程中，提供具有特徵(features)和類別(label)的資料集，就像給它範例與答案讓其學習，透過演算法建構出模型，再使用模型對新資料進行預測。依據應用及預測結果，又可分為下列三種：
非監督式學習（Unsupervised Learning）：
輸入機器的資料集不具有預測答案，即訓練過程不提供類別(label)，讓機器在學習時自己利用特徵分出相異性去做分群，再以新資料測試學習結果。Ex：叢集分析/Cluster集群演算法、k平均群聚法(k-means)、...。
半監督式學習（Semi-supervised Learning）：
介於監督式學習與非監督式學習之間，先將有無提供類別(label)的資料做區分，再把無提供類別的資料依整體分布做新的分界。這樣的學習方法不但能夠降低訓練成本，還能保有非監督式學習自動化的優點。
強化學習 / 增強學習（Reinforcement Learning）：
強化學習則相當有趣，它是藉由學習過程的互動，例如：動作(Actions)、狀態(States)、獎勵(Rewards)等，且隨著環境變動，使機器循序漸進做出調整，進而學習後果評估和採取應對，逐漸構築出為達成某個目標的演算法。就好比讓機器玩遊戲，當遭遇失敗或卡關時，嘗試做出什麼樣的反應才能突破障礙或免於扣分，最後又要如何達到終點。
iThome鐵人賽
看影片追技術