---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---《此為讀書筆記》---
監督式學習(Supervised Learning)：給電腦經人工處理過的資料進行學習，人工處理是指對資料貼「標籤label」，也就是資料的答案，在輸出時能判斷誤差，預測會比較精準。舉例來說，任意選出100張照片，並且已標註哪些照片是貓、哪些照片是狗，電腦會從中提取「特徵Feature」出來，將來做預測時，只要尋找這些特徵，就能辨識貓或狗了。目前這類型的演算法有迴歸(Regression)及分類(Classification)。
- 迴歸(Regression)：處理連續型資料，例如房價、股價這種有時間序的預測。包含線性迴歸
- 分類(Classification)：處理非連續型資料，僅預測分類結果，例如手寫數字辨識。包含KNN(K-近鄰演算法)、決策樹
非監督式學習(Unsupervised Learning)：給電腦「沒有標籤」的資料，讓電腦自己找出規則，做分群(Clustering)。
- 分群(Clustering)：能用鳶尾花與手寫數字資料集來練習，可用K-means演算法
半監督式學習(Semisupervised Learning)：對少部分資料進行「標註」，電腦只要透過有標註的資料找出特徵並對其它的資料進行分類。因能減少人工作業，是目前最常用的一種方式，比非監督式學習準確。
強化學習(Reinforcement Learning)：是一種人類/動物學習的方式，用正回饋及負回饋的概念，設計激勵函數，描述行為與環境互動後的獎懲關係來讓機器學習，再決定下一步該怎麼執行。
其它 (3)
