機器學習的幾種方法，在理解和實踐過程中持續更新。
機械學習
機械學習就是記憶。把新的知識存儲起來，要用時直接檢索調用，無需計算推理。
機械學習適合於計算量較大而取值空間較小或是爲離散的情況，由於不具有泛化能力，只能在已知範圍進行應用。
其表現形式類似於字典：
def jxlearn(inv,outv = None):
if outv:
dict[inv] = outv
else:
return dict[inv]基於解釋的學習
簡稱解釋學習，通過對概念的解釋獲取知識。
解釋學習需要給定：
目標概念TC，訓練實例TE，領域知識庫DT，操作準則OC。
求解：
訓練實例的一般化概括，使之滿足TC與OC。
解釋學習的一個重要前提就是領域知識。在領域知識完備的情況下，可以無需學習便可推理出目標概念，但求出所有情況是困難的，因此通過訓練學習可以獲取有用知識；在領域知識不完備的情況下，通過訓練學習獲得近似解釋。
從人的角度來說，要理解或者解釋一個概念，需要從已知的公理和定義出發來推理，但這樣做是困難的，因爲知識繁多，且不一定完備，因此往往需要一個例子來幫助理解概念。
因此，舉一個簡單例子來幫助理解解釋學習：
已知’陰’、’陽’兩種爻：分別以0、1來存儲，以及各個單卦，以八進制存儲。現有一個爻成卦的概念，即對於順序的爻x、y、z，根據操作makeg(x,y,z)->x + y<<1+z<<2爲一個卦。要以解釋學習訓練，其過程爲，輸入一個訓練實例，如’010’->’坎’,前者爲一個複合量，通過操作makeg實現轉換，後者爲一個常量。將常量換爲一個變量從而進行概括，在訓練後對於任一個複合輸入，均可通過該變量來搜索得到結果。
#代碼待補充基於事例的學習
在無法建立模型時，可以對事例進行直接記錄。基於事例的學習方法，可以使用相容性啓發方法，把已經記錄的事例的特徵賦予另一個未見過的新事物。
對於新事物和舊事物的啓發需要計算其間的距離。
基於概念的學習
概念學習有兩條路，一是從學習機理出發，二是基於認知建模。從學習機理出發則首要任務是進行類型定義，然後對事物依據概念進行分類。
基於類比的學習
類比是對對象知識框架槽值的傳遞。
基於決策樹的學習
決策樹可以經過學習得到分類規則。
強化學習
強化學習的評價網絡產生的評價函數對當前動作或環境的輸入進行的激勵，依據評價信號對環境進行適應並接近任務目標。