1.不同输出空间上的学习
二分类问题
多分类问题
回归问题
结构化的问题（有趣且复杂，可从多分类的问题衍生而来）
...
2.不同数据标签上的学习
有监督的学习
无监督的学习
无监督的多分类 <=> 聚类 （比监督式的困难，但是更实用）
无监督的应用：
- 聚类
文章 => 主题
用户画像 => 用户群 - 密度分析
地区交通报告 => 危险地段 - 异常检测
网络日志 => 入侵警报
半监督的学习
应用（标注代价太高）：
人脸识别
药品效能检测
强化学习
序列的过程
通过reward（另外一个输出）告诉模型这个行为好还是不好
3.不同的protocol（学习方式）上的学习
batch learning：用一批一批的data进行学习
online learning：循序学习（按顺序一笔一笔的data进行学习，e.g. PLA，RL）
active learning：通过问问题来主动学习（通常用于标注代价太高时）
4.不同的输入空间上的学习
具体特征（有预处理，domain knowledge）
原始特征
数字图片的pixel就是一种原始特征
栗子：手写辨识问题
=> 特征工程
抽象特征
比如：用户ID，广告ID等这类抽象特征，通常需要通过机器和人来抽取具体特征
Summary
