一、有監督學習和無監督學習
有監督學習就是訓練用歷史資料是既有問題又有答案，而無監督學習就是訓練用歷史資料是隻有問題沒有答案。 正式的說法一般是把答案稱之為標籤label 還有一種介於兩者之間的混合學習方法，稱為半監督學習 。
在無監督學習中，主要是發現數據中未知的結構或者是趨勢。雖然原資料不含任何的標籤，但我們希望可以對資料進行整合（分組或者聚類），或是簡化資料（降維、移除不必要的變數或者檢測異常值）。
因此無監督演算法主要的分類包含：
- -聚類演算法 (代表：K均值聚類，系統聚類)
- - 降維演算法 （代表：主成份分析PCA，線性判斷分析LDA） 有監督學習，可以根據預測變數的型別再細分。如果預測變數是連續的，那這就屬於迴歸問題。而如果預測變數是獨立類別（定性或是定類的離散值），那這就屬於分類問題了。
因此有監督學習主要的分類包含：
- 迴歸演算法 (線性迴歸，最小二乘迴歸，LOESS區域性迴歸，神經網路，深度學習）
- - 分類演算法（決策樹，支援向量機，貝葉斯，K-近鄰演算法，邏輯迴歸，隨機森林）
二、