监督/非监督学习
监督学习
K近邻算法
线性回归
逻辑回归
支持向量机（SVM）
决策树和随机森林
神经网络
非监督学习
聚类
K 均值
层次聚类分析（Hierarchical Cluster Analysis，HCA）
期望最大值（Experimental Maximization EM）
可视化和降维
主成分分析（Principal Component Analysis，PCA）
核主成分分析（Kernel PCA）
局部线性嵌入（Locally-Linear Embedding，LLE）
t-分布邻域嵌入算法（t-distributed Stochastic Neighbor Embedding，t-SNE）
关联性规则学习（Associatation rule learning）
Apriori 算法
Eclat 算法
半监督学习
一些算法可以处理部分带标签的训练数据，通常是大量不带标签数据加上小部分带标签数据。这称作半监督学习。
深度信念网络（deep belief networks）
是基于被称为互相叠加的受限玻尔兹曼机（restricted Boltzmann machines，RBM）的非监督组件。
RBM
是先用非监督方法进行训练，再用监督学习方法进行整个系统微调。
强化学习
学习系统在这里被称为智能体（agent），可以对环境进行观察，选择和执行动作，获得奖励（负奖励是惩罚）。然后它必须自己学习哪个是最佳方法（称为策略，policy），以得到长久的最大奖励。策略决定了智能体在给定情况下应该采取的行动。
批量和在线学习
Batch learning
在批量学习中，系统不能进行持续学习：必须用所有可用数据进行训练。这通常会占用大量
时间和计算资源，所以一般是线下做的。首先是进行训练，然后部署在生产环境且停止学
习，它只是使用已经学到的策略。这称为离线学习。
在线学习 Online Learning
在在线学习中，是用数据实例持续地进行训练，可以一次一个或一次几个实例（称为小批量）。每个学习步骤都很快且廉价，所以系统可以动态地学习到达的新数据。
在线学习很适合系统接收连续流的数据（比如，股票价格），且需要自动对改变作出调整。如果计算资源有限，在线学习是一个不错的方案：一旦在线学习系统学习了新的数据实例，它就不再需要这些数据了，所以扔掉这些数据（除非你想滚回到之前的一个状态，再次使用数据）。这样可以节省大量的空间。
在线学习算法也可以当机器的内存存不下大量数据集时，用来训练系统（这称作核外学习，out-of-core learning）。算法加载部分的数据，用这些数据进行训练，重复这个过程，直到用所有数据都进行了训练。
在线学习系统的一个重要参数是，它们可以多快地适应数据的改变：这被称为学习速率。如果你设定一个高学习速率，系统就可以快速适应新数据，但是也会快速忘记老数据（你可不想让垃圾邮件过滤器只标记最新的垃圾邮件种类）。相反的，如果你设定的学习速率低，系统的惰性就会强：即，它学的更慢，但对新数据中的噪声或没有代表性的数据点结果不那么敏感。
基于实例/基于模型的学习
基于实例 （Instance Based）
系统先用记忆学习案例，然后使用相似度测量推广到新的例子。
Model Based
从样本集进行归纳的方法是建立这些样本的模型，然后使用这个模型进行预测。
