机器学习算法依托的问题场景有哪些？

机器学习算法依托的问题场景，是无法用固定规则编程、只能靠数据归纳规律的判别与决策情境，包括有标注样本的监督学习、无标注样本的无监督学习与靠交互反馈调整行为的强化学习，理论基础横跨概率论、统计学等学科，解决的是无程序可循的预测难题与算法设计问题，并不解决数据缺失与标注成本高的问题。

机器学习算法从数据中自动分析获得规律，并利用规律对未知数据进行预测。机器学习理论关注可以实现的、行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。

机器学习最主要的类别有：监督学习、无监督学习和强化学习。

监督学习：从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。

无监督学习：与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有生成对抗网络（GAN）、聚类。

强化学习：通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。