机器学习分类整理表格 

机器学习分类整理【表格版】
分类角度	分类名称	概念	常见算法
学习方式	监督学习	使用已标记的数据进行训练，模型通过学习输入与输出之间的映射关系来预测新数据	线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林等
	无监督学习	使用未标记的数据进行训练，模型通过发现数据中的模式或结构来进行学习	K-Means聚类、DBSCAN、主成分分析（PCA）、t-SNE等
	半监督学习	结合少量标记数据和大量未标记数据进行训练	生成对抗网络（GAN）等
	强化学习	通过与环境的交互学习策略，以最大化累积奖励	Q-Learning、深度Q网络（DQN）
学习策略	机械学习	直接从环境中获取知识并存储起来
	示教学习	将已有知识传授给机器，通过模仿或记忆来学习
	类比学习	通过比较不同事物之间的相似性来学习新知识
	基于解释的学习	通过理解已有知识的解释来学习新知识
	归纳学习	从大量个别事实中概括出一般性结论或规律
任务类型	分类	将输入数据分配到预定义的类别中	朴素贝叶斯、支持向量机、K-NN、逻辑回归等
	回归	预测连续变量	线性回归、岭回归、LASSO回归等
	聚类	将相似的数据点分为同一组	K-Means、DBSCAN、层次聚类等
	降维	简化数据集，去除冗余特征	PCA、t-SNE等
应用领域	自然语言处理	文本分类、情感分析、语音识别等	循环神经网络（RNNs）、长短期记忆网络（LSTM）、Transformer模型等
	图像处理	手写数字识别、人脸识别、物体检测等	卷积神经网络（CNNs）、生成对抗网络（GANs）等
	推荐系统	协同过滤、矩阵分解等
学习方法	归纳学习	符号归纳学习 函数归纳学习（发现学习）	典型的符号归纳学习有示例学习、决策树学习。 典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习
	演绎学习
	类比学习		典型的类比学习有案例（范例）学习
	分析学习		典型的分析学习有解释学习、宏操作学习
数据形式	结构化学习	以结构化数据为输入，以数值计算或符号推演为方法	典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习
	非结构化学习	以非结构化数据为输入	典型的非结构化学习有类比学习案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等
学习目标	概念学习	学习的目标和结果为概念，或者说是为了获得概念的学习	典型的概念学习主要有示例学习
	规则学习	学习的目标和结果为规则，或者为了获得规则的学习	典型规则学习主要有决策树学习
	函数学习	学习的目标和结果为函数，或者说是为了获得函数的学习	典型函数学习主要有神经网络学习
	类别学习	学习的目标和结果为对象类，或者说是为了获得类别的学习	典型类别学习主要有聚类分析
	贝叶斯网络学习	学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习	其又可分为结构学习和多数学习

备注

持续完善。。。