机器学习是非常宽泛的领域，其子领域的划分非常复杂。机器学习算法大致可分为四大类：
1）监督学习
2）无监督学习
3）自监督学习
4）强化学习
一、监督学习
监督学习是最常见的机器学习类型。给定一组样本（通常由人工标注），它可以学会将输入数据映射到已知目标【也叫作标注（annotation）】。
近年来广受关注的深度学习几乎都属于监督学习，如，光学字符识别，语音识别、图像分类和语言翻译。
监督学习主要包括分类和回归，还有很多奇特的辩题，主要包括如下几种：
1）序列生成（sequence generation）。给定一张图像，预测描述图像的文字。序列生成又是可以被重新表示为一些列分类问题，比如反复预测序列中的单词或标记。
2）语法树预测（syntax tree prediction）。给定一个橘子，预测其分解生成的语法树。
3）目标检测（object detection）。给定一个张图片，在图中特定目标的周围画一个边界框。这个问题也可以表示为分类问题（给定多个候选边界框，对每个框内的目标进行分类）或分类与回归联合问题（用向量回归来预测边界框的坐标）。
4）图像分割（image segmentation）。给定一张图像，在特定物体上画一个像素级的掩模（mask）.
二、无监督学习
无监督是指在没有目标的情况下寻找输入数据的有趣变换，其目的在于数据可视化、数据压缩、数据去噪或更好的理解数据中的相关性。无监督学习是数据分析的必备技能，在解决监督学习问题之前，为了更好地了解数据集，它通常是一个必要步骤。降维（dimensionality reduction）和聚类（clusting）都是众所周知的无监督学习方法。
三、自监督学习
自监督学习是监督学习的一个特例，但它与众不同，值得单独归为一类。自监督学习是没有人工标注的标签的监督学习，可以看做没有人类参与的监督学习。标签仍然存在，但是它们是从数据中生成的，通常是使用启发式算法生成的。
例如，
1）自编码器（autoencoder）就是自监督学习。其生成的目标就是未经修改的输入。
2）给定视频中过去的帧来预测下一帧
3）给定文本中前面的词来预测下一个词
PS：例2、例3也属于时序监督学习（temporally supervised learning），即用未来的输入数据作为监督。
注意：监督学习、无监督学习和自监督学习之间的区别有时很模糊。
四、强化学习
在强化学习中，智能体（agent）接受有关环境的信息，并学会选择使某种奖励最大化的行动。
例如，神经网络会“观察”视频游戏的屏幕并输出游戏操作，目的是尽可能的高分，这种神经网络可以通过强化学习来训练。
目前，强化学习主要集中在研究领域，出游戏外还没有取得实践上重大成功。
来源：CSDN
作者：幸运六叶草
链接：https://blog.csdn.net/AnneQiQi/article/details/103603229