机器学习是人工智能的一个子领域，通过数据驱动让计算机自动学习数据中的潜在规律，进而对新数据进行分类或预测。核心目标是通过训练数据优化模型参数，使模型在未知数据上的泛化性能最大化。  

机器学习按不同类型的分类      

按学习方式分类

监督学习（Supervised Learning）
模型通过带有标签的训练数据进行学习，预测未知数据的标签。典型任务包括分类（如图像识别，因为目标变量是类别型的）和回归（如房价预测，因为目标变量是连续型的）。常见算法：线性回归、支持向量机（SVM）、决策树。

无监督学习（Unsupervised Learning）
模型从无标签数据中发现隐藏模式或结构。典型任务包括聚类（如客户分群）和降维（如PCA）。常见算法：K-means、层次聚类、主成分分析（PCA）。

半监督学习（Semi-supervised Learning）
结合少量标注数据和大量未标注数据进行训练，适用于标注成本高的场景。典型应用：医学图像分析。常见方法：自训练（Self-training）、生成对抗网络（GAN）。

强化学习（Reinforcement Learning）
通过与环境交互学习最优策略，以最大化累积奖励。典型应用：游戏AI（如AlphaGo）、自动驾驶。常见算法：Q-Learning、深度强化学习（DQN）。

---

按模型输出分类

分类（Classification）
输出离散类别标签，如垃圾邮件检测（二分类）、手写数字识别（多分类）。

回归（Regression）
输出连续数值，如股票价格预测、温度趋势分析。

聚类（Clustering）
输出数据分组，无预先定义的类别，如社交网络用户分群。

---

按模型结构分类

传统机器学习
依赖特征工程和浅层模型，如逻辑回归、随机森林。

深度学习（Deep Learning）
基于多层神经网络自动提取特征，适用于图像、语音等复杂数据。常见模型：卷积神经网络（CNN）、循环神经网络（RNN）。

---

按学习目标分类

生成模型（Generative Models）
学习数据分布以生成新样本，如GAN、变分自编码器（VAE）。

判别模型（Discriminative Models）
直接学习输入到输出的映射，如SVM、逻辑回归。

---

按应用场景分类

在线学习（Online Learning）
模型实时更新以适应动态数据流，如推荐系统。

批量学习（Batch Learning）
一次性使用全部数据训练，适用于静态数据集。

迁移学习（Transfer Learning）
利用预训练模型解决新任务，如BERT用于文本分类。

---

其他分类方式

集成学习（Ensemble Learning）
结合多个基模型提升性能，如随机森林、AdaBoost。

多任务学习（Multi-task Learning）
单个模型同时学习多个相关任务，如联合训练文本分类和情感分析。

元学习（Meta-Learning）
学习如何快速适应新任务，如小样本学习（Few-shot Learning）。

其实就主要关注下按学习方式的分类，其他了解一下即可。

人工智能、机器学习、深度学习之间的关系是什么？

• 人工智能（AI）是让机器模拟人类智能的广泛领域，涵盖规则系统、统计方法等多种实现方式。
• 机器学习是 AI 的子领域，专注于通过数据训练模型自动发现规律，无需显式编程。
• 深度学习是机器学习的子领域，基于多层神经网络处理复杂任务（如图像、文本），是机器学习的一种实现方式。