機器學習的任務是從屬性X預測標記Y，即求概率P(Y|X)；

有監督學習

training data給了正確的答案即label，任務就是建立相應的模型，訓練樣本集外的數據進行分類預測。

生成式模型

生成模型學習一個聯合概率分布P（x，y）
常見的判別方法有 k近鄰法、感知機、決策樹、邏輯回歸、線性回歸、最大熵模型、支持向量機(SVM)、提升方法、條件隨機場（CRF）

判別式模型

判別模型學習一個條件概率分布P（y|x）
常見的生成方法有混合高斯模型、樸素貝葉斯法和隱形馬爾科夫模型

判別式模型舉例：要確定一個羊是山羊還是綿羊，用判別模型的方法是從歷史數據中學習到模型，然後通過提取這只羊的特征來預測出這只羊是山羊的概率，是綿羊的概率。
生成式模型舉例：利用生成模型是根據山羊的特征首先學習出一個山羊的模型，然後根據綿羊的特征學習出一個綿羊的模型，然後從這只羊中提取特征，放到山羊模型中看概率是多少，在放到綿羊模型中看概率是多少，哪個大就是哪個。

判別式模型是根據一只羊的特征可以直接給出這只羊的概率（比如logistic regression，這概率大於0.5時則為正例，否則為反例），而生成式模型是要都試一試，最大的概率的那個就是最後結果~

無監督學習

對未標記的樣本進行訓練學習，比發現這些樣本中的結構知識。 (KMeans,DL)

概念辨析-生成模型/產生模型