• ML-依照目標target，（未來以「target」） 是否有標籤label，（未來以「label」），可以區分為監督式學習supervised-learning(有標籤)，未來以「supervised-learning」，昨日提供的身高體重範例即是而讓機器猜出是男是女（即是label）亦即 supervised-learning。
  非監督式學習unsupervised-learning，對於target並無標籤標示，（未來以「unsupervised-learning」）。

• 還有一種是有記錄狀態，報酬、回饋等稱之強化學習reinforcement learning，（未來以「reinforcement learning」）
  ，例如：教機器下圍棋，在下每一步前先保留狀態，看這一步走的結果是得到獎賞（ex.吃掉黑子）或是得到惩罰（ex.被對手吃掉），再根據這一步驟的狀態與報酬決定下一步要怎麼走。

• supervised-learning：依照target目標是連續
  （continuous）或離散(discrete)可以區分為迴歸（regression），(未來以「regression」)-continuous和分類(classification)，未來以「classification」-discrete。

[圖片參考:](https://lakshaysuri.wordpress.com/2017/03/19/machine-learning-supervised-vs-unsupervised-learning/）
上圖的圈圈與叉叉代表兩種分類。

regression：簡單迴歸simple regression，未來以「simple regression」，線性迴歸linear regression，未來以「linear regression」，多元迴歸multiple regression，未「multiple regression」，多項式迴歸polynomial regression，未來以「polynomial regression」

classification：羅吉斯迴歸，logistic regression，未來以「logistic regression」又稱二元迴歸，雖名為迴歸實際是分類法，支持向量機Support Vector Machine SVM，(未來以「SVM」)，決策樹decision tree（未來以「decision tree」)，隨機森林random forest，（未來以「random forest」），天真貝式Navie Bayes（未來以「Navie Bayes」）：常用於分類垃圾郵件。K最近鄰法K-Nearest-Neighboors ，（未來以「KNN」 ）等。

• unsupervised-learning：分成降維dimensionality reduction(未來以「dimensionality reduction」)與分群clustering analysis(未來以「clustering analysis」)兩大類，上圖的兩個大紅圈中有四個小藍圈表示分成兩大群。

dimensionality reduction：主成份分析Principal Component Analysis，PCA(未來以「PCA」)（提取特徵值，特徵向量）

clustering analysis：依照不同類型的分群方式， 如：階層，球心。而有K-means質心分群法，（未來以「K-means」），Hierarchy Clustering階層式分群法，（未來以「Hierarchy
Clustering」），DBSCAN Density-Based Spatial Clustering of Applications with Noise 球心式分群法，未「 DBSCAN」

day3說的男生與女生身高體重的範例，即是logistic regression。

• 以上介紹的ML演算法只是提個大概，未來幾日內會針對理論與簡單數學理論講解，敬請期待。