在機器學習中共可分為三大類，監督式學習(Supervised Learning)、非監督式學習(Unsupervised Learning)、強化學習(Reinforcement learning)

1. 監督式學習Supervised Learning
   在訓練模型時會提供模型正確的答案，因此皆需有標籤(Label)的資料，此類型的問題可分為二元分類、多元分類以及迴歸問題。
2. 非監督式學習Unsupervised Learning
   訓練模型並沒有給予標準答案，因此並不需要具有標籤的資料，模型會根據所放入的資料找到潛在的規則並找出規律，較常見的為集群演算法，是使用資料中的特徵來進行分群，
3. 強化學習Reinforcement learning
   為電腦在訓練模型時會不斷與環境進行互動，並當有新資料加入時進行修正，以確保模型可取得當下最大化的預期利益，因此適合被用於模擬各類的決策任務。與其他兩類並不相同，此領域為一個互動式的學習。目前強化學習為人工智慧領域中較熱門的方向，而被大眾所知道的應用為AlphaGo。

後續將會介紹較為常見的模型的建立方式與實際操作！