機器學習算法主要可以分爲監督式，非監督式，強化學習三類。
在監督式學習中，我們有數據 x 和標籤 y。我們想要找到一個函數來連接 x 和 y。可以選擇決策樹，線性迴歸等模型，然後訓練這些模型使損失函數達到最小。
例如我們有一個橫幅廣告預測點擊率的問題：
橫幅的特徵可以是，主題，想要推廣的內容，掛在哪個頁面，會瀏覽這個頁面的用戶的特徵。 想要預測的變量只有一個，就是用戶是否會點擊這個橫幅廣告。
這時我們可能想要用一些監督式學習的模型，但是有個問題是我們並沒有那麼多數據，沒辦法知道每個橫幅每個頁面每個用戶的行爲。
雖然在沒有數據的情況下，也可以想辦法用監督式學習。
例如，可以隨機發一些廣告，隨機的給一些人，隨機的選擇位置，來生成一些數據， 然後記錄用戶是否點擊進去，不過大多數情況下用戶是不點擊的。 這樣有了這些數據後，就可以應用一些算法，進行預測。
但是有個問題，就算你用這些數據進行預測了，訓練了模型了，但是並不敢直接用這個模型得出的決策， 就算用戶第一次點擊了你發送的廣告，但是如果太頻繁地發送同樣的廣告，就會失去用戶的信任， 所以我們可能想要嘗試一些對用戶有益的內容，想要讓用戶更開心，這樣用戶可以停留更久，你也可以收穫更多的信任， 這種情況下會有很多變化，需要不斷的調整。如果繼續用監督式方法，可能會產生非常糟糕的結果。
例如，聖誕節前一週開始訓練我們的點擊預測模型，由於是聖誕節，每個人都會看關於聖誕節禮物的內容，我們的模型也會展示很多相關的廣告，那麼很可能在這段時間裏，有一些相關物品獲得了非常多的點擊，獲得了很多利潤，但聖誕節結束後，模型並沒有辦法重新調整，於是繼續展示聖誕節的橫幅廣告，就沒有機會展示其他的廣告內容。 所以不要百分百相信你的模型，可以留一部分數據是隨機地展示 top100 的橫幅或一些其他的廣告。
但這種解決方案，就像是在用膠帶去填補，雖然有足夠的膠帶的話肯定能解決問題， 但是會有更多的隱藏問題出現，
這時就可以用強化學習， 一句話概括就是通過反覆試驗來學習。
就像你學習自行車，不會去通過看一本書來學習，不會去看 1000 個樣本，看每種場景是如何騎車的，然後就會了。
而是只需要有個自行車，想要學習如何騎就去騎，雖然可能會失敗幾次，可能會受傷，但是通過受傷，最終就學會了，並且騎得越來越好。