机器学习的算法主要包括监督学习、无监督学习、半监督学习、迁移学习、强化学习。
1、监督学习
监督学习是机器学习当中非常常见的一种机器学习类型，就是在已知输入输出的情况下训练出一个模型，并且将输入映射输出。
特点：给出了学习目标（比如实际值、标注等等）。
监督学习根据目标结果是离散还是连续，又可以把监督学习划分为分类和回归。
1.1 分类
该类型的预测目标值是离散的，比如预测是否会下雨，最终的结果只有两种，下雨或者不下雨两种类别情况。
目的：根据历史的结果来预测新样本的分类结果，针对两个分类结果的任务称为二分任务；两种以上称为多分类任务。
常见算法：决策树、随机森林、K-最近邻算法、逻辑回归、支持向量机、人工神经网络。
1.2 回归
该类型的预测目标值是连续的，典型的例子预测某个楼盘的价格趋势。
算法：线性回归、AdaBoosting等。
2、无监督学习
无监督学习的特点是不需要认为进行数据标注，而是根据模型不断的进行自我学习、巩固，最后通过自我总结归纳来学习。学习模型主要包含聚类、降维。
2.1 聚类
主要是指将物理或抽象对象的集合由相似对象组成多个类别过程，可以理解为按照相近的原则进行分组。
算法：常见的有K-means 算法、BIRCH算法、DBSCAN算法。
2.2 降维
针对高维度数据对系统资源和算法性能依赖非常大，降维就是把高维度数据中不重要的信息处理掉同时又保留大部分的重要信息。简单来说就是由繁到简的过程，把复杂的问题尽可能简单话，这样处理起来难度会小很多。
优点：节省空间、节省算法消耗的时间、减少系统资源的消耗。
算法：主成分分析算法（PCA）
3、半监督学习
监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。
半监督学习适合由少量标签的样本和大量无标签的样本，可以实现较高的准确性预测。
4、迁移学习
迁移学习指的是一个预训练的模型被重新用在另一个学习任务中的学习方法。
源域：已有的知识；目标域：待学习的新知识。
5、强化学习（ReinforcementLearning， RL）
RL也称为再励学习、评价学习、增强学习属于机器学习的范式和方法论之一。
强化学习的任务就是让智能设备可以像人类一样，不断学习、尝试，然后可以在不同的环境下做出最理想的处理方案，强化属于连续决策的过程，通过不断尝试来发现哪一种是最佳的方式。
案例：AlphaGo利用强化学习算法击败了世界冠军李世石、谷歌YouTube视频推荐算法等等。
