1.監督學習、非監督學習和半監督學習
監督學習：
訓練數據和帶有標籤點分類的結果給計算機分析， 計算機進行學習之後，再丟給它新的未知的數據，也能計算出該數據導致各種結果的概率，給你一個最接近正確的結果。
監督學習的任務是學習一個模型，使模型對給定的任意的一個輸入，對其都可以映射出一個預測結果
分爲兩類：分類或迴歸
非監督學習：
只給計算機訓練數據，不給結果（標籤），因此計算機無法準確地知道哪些數據具有哪些標籤，只能憑藉強大的計算能力分析數據的特徵，從而得到一定的成果，通常是得到一些集合，集合內的數據在某些特徵上相同或相似。
常見算法： PCA和很多deep learning算法都屬於無監督學習
半監督學習：又稱爲主動學習
當擁有標記的數據很少，但是未被標記的數據很多，但是人工標註又比較昂貴的時候。可以根據一些條件（查詢算法）查詢（query）一些數據，讓專家進行標記。這是半監督學習與其他算法的本質的區別。所以說對主動學習的研究主要是設計一種框架模型，運用新的查詢算法查詢需要專家來認爲標註的數據。最後用查詢到的樣本訓練分類模型來提高模型的精確度.
2、PCA (principal components analysis)
即主成分分析技術，又稱主分量分析。主成分分析也稱主分量分析，旨在利用降維的思想，把多指標轉化爲少數幾個綜合指標