（轉）機器學習的幾種劃分
本文轉發自：
https://blog.csdn.net/keycxl/article/details/78625943
一.生成模型與判別模型
詳細對比：
http://blog.csdn.net/zouxy09/article/details/8195017
其中：
常見的判別式模型有：
Logistic regression（logistical 迴歸）
Linear discriminant analysis（線性判別分析）
Supportvector machines（支援向量機）
Boosting（整合學習）
Conditional random fields（條件隨機場）
Linear regression（線性迴歸）
Neural networks（神經網路）
常見的生成式模型有:
Gaussian mixture model and othertypes of mixture model（高斯混合及其他型別混合模型）
Hidden Markov model（隱馬爾可夫）
NaiveBayes（樸素貝葉斯）
AODE（平均單依賴估計）
Latent Dirichlet allocation（LDA主題模型）
Restricted Boltzmann Machine（限制波茲曼機）
二.監督與非監督學習
詳細對比：
常見的監督學習演算法有哪些？
感知機、svm、人工神經網路、決策樹、邏輯迴歸
常見的無監督學習演算法有哪些？
包括所有的聚類演算法，比如k-means PCA gmm等
深度學習只是指結構有深度的演算法，可以無監督可以有監督
比如sparse coding/sparse auto encoder是無監督，CNN是有監督
三.線性與非線性分類
詳細對比：
http://blog.csdn.net/u014755493/article/details/70182532
線性分類器：模型是引數的線性函式，分類平面是（超）平面；
非線性分類器：模型分介面可以是曲面或者超平面的組合。
典型的線性分類器有感知機，LDA，邏輯斯特迴歸，SVM（線性核）；
典型的非線性分類器有樸素貝葉斯（有文章說這個本質是線性的，