簡單了解前導知識後就是正式進入機器學習的幾種模式>>

• Types Of Learning

1.Supervised Learning：Training data with output labels.
訓練機器學習時提供正確答案，依照輸出的資料類型分為兩種：
Classification: output labels are categories values.
Regression: output labels are numeric values.

2.Unsupervised Learning：Training data without output labels.
不提供正確答案，將資料進行分組：Clustering (grouping similar instances).

3.Reinforcement Learning：Training algorithms receive no supervised output labels but use delayed reward and punishment to learn best actions.
不提供正確解答，但是將依照成果給予獎勵或懲罰，以此來讓機器學習。

表格化介紹以上三種學習模式：

• Components of Learning

組成機器學習的元素：輸入、輸出、目標函式、資料、假設(Hypothesis)

舉例來說，如果要利用收入和儲蓄的數據來看是否核發信用卡的話：
輸入：收入、儲蓄 X[x1,x2]
輸出：是/否 (y)
目標函式：f(X)=y
資料：以前的數據(X1,y1)、(X2,y2)...(Xn,yn)
假設函式：g(X)=y

機器學習的目的是找到假設的函式使它趨近於未知的目標函式，
於是先以現有的資料代入演算法A，得出假設的函式後再預測輸入值H的輸出為何。

可以得知組成一個學習模型的兩個要素：完成學習的演算法A和待預測的輸入值H。

學習模型也分為訓練階段和測試階段：

學習模型因為演算法的不同所以可以分為很多種，介紹三個較為常見的Model類別：

1.Linear Model，演算法：如PLA (線性分類)

2.Rule-Based Model ，演算法：如ID3 (有規則可循)

3.Instance-Based Model，演算法：如1NN (看鄰居答案之後照抄)


注意:在查詢之前資料會一直放在序列中等待，是一個懶惰的演算法