机器学习的种类主要分成四种：监督式学习(Supervised learning)、非监督式学习(Un-supervised learning)、半监督式学习(Semi-supervised learning) 以及 强化学习(Reinforcement learning)。在这边就先简单说明一下各个学习方法，之後有机会再做详细的介绍。

监督式学习(Supervised learning)：

监督式学习是将所有资料集都做标记(label)，告诉机器这个是什麽、那个是什麽，透过人工分类来告诉机器标准答案，让机器在学习过程中比对修正，依照标准答案来判断，因此正确率也会相对较高。

例如：给机器一堆鸡跟鸭的照片告诉机器哪个是鸡哪个是鸭，然後让机器自己透过特徵去学习，依照学习出来的模型就可以去判断一张机器没看过的照片得出那是鸡还是鸭。

非监督式学习(Un-supervised learning)：

在了解了监督式学习之後，非监督式学习就代表着所有资料都没有被标记，机器自行透过寻找特徵来进行分类，因此准确率就相对於监督式学习低。

例如：给机器一堆鸡跟鸭的照片，机器必须自己去判断哪个是鸡哪个是鸭并进行分类，依照自行分类的特徵学习出来的模型去判断一张机器没看过的照片得出是鸡还是鸭，但也有可能因为有些不重要的特徵被过度放大，导致结果不理想。

半监督式学习(Semi-supervised learning)：

半监督式学习是将少部分资料进行标记，机器透过少部分标记的资料来找出其特徵并对其他未标记的资料进行分类，相较於非监督式学习，半监督式学习的正确率相对较高。

例如：给机器一堆鸡跟鸭的照片，但只告诉机器其中几张照片哪个是鸡哪个是鸭，让机器自行依据那些标准答案来分类剩下的照片，依照学习出来的模型去判断一张机器没看过的照片得出那是鸡还是鸭。

强化学习(Reinforcement learning)：

强化学习是让机器自行从环境互动中来学习，不需要给任何资料，机器必须透过奖惩机制(reward)取得最大化的奖励，也就是说我们不需要标记，只需要告诉机器他采取的行为(action)是不是正确的，让机器根据奖惩自行修正其采取的行为，最终得到最好的结果，也就是依照过去的经验去学习。

例如：让机器去跟一个人下棋，如果机器赢了就会得到 positive reward ，输了就得到 negative reward ，赢了机器就会知道可能某些下法是好的，但是我们不会跟他说哪几步是下的好，哪几步是下不好，机器必须自己去学习想办法知道。因此强化学习是需要大量的训练样本才有办法训练出一个好的模型。

参考资料

李宏毅老师 - ML Lecture 23-1
机器学习类别
机器学习方式