分类

监督/无监督/半监督

强化学习（Reinforcement Learning）
强化学习是一种基于反馈的学习方法，模型通过与环境交互，根据采取的动作获得奖励或惩罚信号，并据此优化策略以最大化累积奖励。典型应用包括游戏AI、机器人控制等。
深度学习（Deep Learning）
深度学习是机器学习的一个子领域，主要依赖于神经网络，尤其是深层神经网络，用于处理复杂的数据如图像、语音和文本。常见的模型包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer等。

回归（Regression）
回归任务的目标是预测一个连续值输出，例如房价、气温等。常用的回归算法包括线性回归(Linear Regression)、岭回归(Ridge
Regression)和决策树回归(Decision Tree Regressor)。
聚类（Clustering）
聚类是一种无监督学习任务，其目标是将数据划分为具有相似特征的群组。常见的聚类算法包括K均值(K-Means Clustering)、层次聚类(
Hierarchical Clustering)和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)。
分类（Classification）
分类任务旨在预测离散的类别标签，例如垃圾邮件检测或图像识别。常见算法包括逻辑回归(Logistic Regression)、支持向量机(SVM)
、随机森林(Random Forest)和神经网络(Neural Networks)。
降维（Dimensionality Reduction）
降维用于减少输入变量的数量，同时保留尽可能多的信息。典型方法有主成分分析(PCA, Principal Component Analysis)
和t分布邻域嵌入(t-SNE)。
生成（Generation）
生成任务旨在创建新的数据实例，例如文本生成、图像生成等。深度学习中的生成对抗网络(GANs, Generative Adversarial Networks)
和变分自编码器(VAEs, Variational Autoencoders)广泛应用于此类任务。