机器学习（Machine Learning）按学习方式分为三大类别，构成上包括监督学习（Supervised Learning）、无监督学习与强化学习三类，分别对应带标注数据训练、无标注数据自行发现规律与试错获取奖励，解决的是方法选型问题，并不解决数据准备与效果调优问题。
机器学习的基本类型一：监督学习（Supervised Learning）
这是最常见的一种，就像上面识别猫的例子。机器会拿到一堆“带答案”的数据（称为训练数据），比如图片和对应的标签（猫或非猫）。通过反复训练，机器学会把输入（图片）和输出（标签）联系起来。
应用例子：垃圾邮件过滤（“垃圾”或“非垃圾”）、房价预测（输入房屋信息，输出价格）。
机器学习的基本类型二：无监督学习（Unsupervised Learning）
这次没有“答案”给机器，数据是“无标签”的。机器的任务是自己找出数据的规律或模式。比如，你给它一堆猫和狗的图片，但不告诉它哪些是猫哪些是狗，它可能会自己把图片分成两组：一组耳朵尖的，一组耳朵圆的。
应用例子：客户分群（把相似购物习惯的人归为一类）、推荐系统（发现你喜欢的电影类型）。
机器学习的基本类型三：强化学习（Reinforcement Learning）
这种方式更像训练宠物。机器通过试错来学习，目标是获得最大“奖励”。比如教AI玩游戏，它一开始乱按按钮，如果赢了就得奖励，输了就没奖励。慢慢地，它会记住哪些操作能带来好结果。
应用例子：自动驾驶（避开障碍物得奖励）、AlphaGo（下棋赢了有回报）。
