1. 监督学习（Supervised Learning）
- 使用带有标签的数据训练模型，目标是学习输入特征与输出标签之间的映射关系。
- 常见任务：分类（如垃圾邮件分类）、回归（如房价预测）。
- 常用算法：线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、神经网络等。
2.无监督学习（Unsupervised Learning）
- 使用无标签数据训练模型，目标是发现数据中的潜在结构或模式。
- 常见任务：聚类（如客户细分）、降维（如PCA）、异常检测。
- 常用算法：K均值聚类、层次聚类、主成分分析（PCA）、自编码器等。
3. 半监督学习（Semi-supervised Learning）
- 结合少量标签数据和大量无标签数据进行训练，适用于标注成本高的情况。
- 常见任务：图像分类、文本分类。
- 常用方法：基于图的方法、生成模型（如GAN）等。
4. 强化学习（Reinforcement Learning, RL）
- 通过与环境交互，基于奖励机制学习策略，目标是最大化累积奖励。
- 常见任务：游戏AI（如AlphaGo）、机器人控制、自动驾驶。
- 常用算法：Q学习、深度Q网络（DQN）、策略梯度方法等。
这些方法各有特点，适用于不同的应用场景。
