1、按照學習方式劃分
1.1 監督學習：輸入資料稱為“訓練資料”，每組訓練資料有一個明確的標識或結果。在建立模型的時候，監督學習建立一個學習過程，將預測結果與“訓練資料”的實際結果進行比較，不斷調整預測模型，直到模型的預測結果達到一個預期的標準。
1.2 無監督學習：資料並沒有被特別標識，學習模型是為了推斷出資料的一些內在結構。
1.3 半監督學習：輸入資料部分被標識，部分沒有被標識，這種學習模型可以用來預測。
1.4 強化學習：輸入資料作為對模型的反饋，不像監督學習那樣，輸入資料僅僅是作為一個檢查模型對錯的方式，在強化學習下，輸入資料直接反饋到模型，模型必須對此立刻做出調整。

2、按照演算法相似性劃分
2.1 迴歸演算法：研究自變數和因變數關係（最小二乘法、邏輯迴歸）
2.2 基於例項的演算法：對決策問題建立模型，常常先取一批資料樣本，然後根據某些相似性把新資料與樣本資料進行比較，通過這種方法來尋找最佳匹配。（KNN、學習向量量化）
2.3 正則化方法：根據演算法的複雜度對演算法進行調整，常常對簡單模型予以獎勵，對複雜演算法予以懲罰。（嶺迴歸、套索方法）
2.4 決策樹學習：根據資料的屬性採用樹狀結構建立決策模型，常用來解決分類和迴歸問題。（分類及迴歸樹、ID3、C4.5單層決策樹、隨機森林）
2.5 貝葉斯方法：基於貝葉斯定理的一類演算法統稱為貝葉斯演算法，是為了解決不定性和不完整性問題提出的，對於解決複雜問題裝置不確定性和關聯性引起的故障有很大優勢。（樸素貝葉斯演算法、貝葉斯信念網路）
2.6 基於核的方法：將輸入資料對映到一個高階的向量空間，在高階空間向量裡，有些分類或者回歸問題能更容易地解決。（支援向量機SVM、線性判別分析LDA、徑向基函式RBF）
2.7 聚類演算法：按照中心點或者分層的方式對輸入資料進行歸併，試圖找到資料的內在結構，以便按照最大的共同點將資料進行歸類。（k-means演算法、期望最大化演算法EM)
2.8 關聯規則學習:通過尋找最能夠解釋資料變數之間關係的規則，來找出大量多元資料集中有用的相關性規則。（Apriori演算法、Eclat演算法）
2.9 人工神經網路：模擬生物神經網路，是一類模式匹配演算法，通常用於解決分類和迴歸問題。（感知器神經網路、反向傳遞、Hopfield網路、自組織對映、學習向量量化）
2.10 降維演算法:試圖利用較少的資訊來歸納或解釋資料，可以用於高維資料的視覺化或者簡化資料以便監督學習使用。（主成分分析PCA、偏最小二乘迴歸PLS、Sammon對映）
2.11 深度學習：對人工神經網路的發展。（深度置信網路DBN、卷積網路、受限玻爾茲曼機RBN）
2.12 整合演算法：用一些相對較弱的學習模型獨立地就同樣地樣本進行訓練，然後把結果整合起來進行整體預測。（Boosting、Bagging、AdaBoost、隨機森林）

參考文獻：

趙涓涓，強彥.Python機器學習[M].北京。：機械工業出版社，2019.6