1.不同輸出空間上的學習

二分類問題
多分類問題
回歸問題
結構化的問題（有趣且復雜，可從多分類的問題衍生而來）
...

2.不同數據標簽上的學習

有監督的學習

無監督的學習
無監督的多分類 <=> 聚類 （比監督式的困難，但是更實用）
無監督的應用：

• 聚類
  文章 => 主題
  用戶畫像 => 用戶群
• 密度分析
  地區交通報告 => 危險地段
• 異常檢測
  網絡日誌 => 入侵警報

半監督的學習
應用（標註代價太高）：
人臉識別
藥品效能檢測

強化學習
序列的過程
通過reward（另外一個輸出）告訴模型這個行為好還是不好

3.不同的protocol（學習方式）上的學習

batch learning：用一批一批的data進行學習

online learning：循序學習（按順序一筆一筆的data進行學習，e.g. PLA，RL）

active learning：通過問問題來主動學習（通常用於標註代價太高時）

4.不同的輸入空間上的學習

具體特征（有預處理，domain knowledge）

原始特征
數字圖片的pixel就是一種原始特征
栗子：手寫辨識問題

=> 特征工程

抽象特征
比如：用戶ID，廣告ID等這類抽象特征，通常需要通過機器和人來抽取具體特征

Summary

Lecture 3: Types of Learning