类别

特点

训练图

类别

经典算法

应用

监督学习

训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。

分类

回归

支持向量机（SVM）

决策树

逻辑回归

随机森林

图像识别

语音识别

自然语言处理

无监督学习

数据只有特征(feature)无标签(label)，是一种机器学习的训练方式，它本质上是一个统计手段，在没有标签的数据里可以发现潜在的一些结构的一种训练方式。

聚类

降维

关联规则挖掘

异常检测

k均值聚类

主成分分析

关联规则挖掘

异常检测

聚类与分组

特征学习与降维

异常检测

半监督学习

训练数据中只有一小部分样本是带有标签的，而大部分样本是没有标签的。

半监督分类

半监督回归

半监督聚类

半监督异常检测

对抗网络的半监督

自训练

协作训练

半监督支持向量机

生成式半监督

半监督深度学习

图半监督学习

自然语言处理

图像识别

数据聚类

机器人控制

强化学习

强化学习是让一个智能体（agent）在环境中通过尝试和错误来学习行为策略。智能体通过与环境进行交互，根据奖励信号来调整其行为策略，以达到最大化累积奖励的目标。

（1）智能体观察当前环境状态（state）。

（2）基于当前状态，智能体选择一个动作（action）。

（3）环境根据智能体的动作转换到新的状态，并返回一个奖励信号（reward）。

（4）智能体根据奖励信号更新其策略，以便在将来的决策中获得更好的奖励。

（5）重复以上步骤，直到智能体学习到一个使其获得最大累积奖励的策略。

基于值的强化学习

基于策略的强化学习

基于模型的强化学习

深度强化学习

多智能体强化学习

q-learing

sarsa

dqn

A3c

PPO

MAPPO

TRAPO

自动驾驶

车联网

游戏

机器人控制