目录
1）Learning with Different Output Space Y
2）Learning with Different Data Label
3）Learning with Different Protocol
4）Learning with Different Input Space X
在上一节课中，我们学到了第一个机器学习算法:PLA。它属于分类算法。在本节课中我，我们主要了解机器学习的种类。
这一节主要是一些概念性知识，但是是贯穿整个机器学习的。
1）Learning with Different Output Space Y
上节课中，我们学习了银行批发信用卡的例子，这是一个典型的二分类问题。输出只有两种情况。二分类问题可以说是机器学习中最基础也是最常见的问题，常见的有垃圾邮件判别，患者疾病诊断等等。二元分类有线性模型和非线性模型。
除了二元分类，常见的还有多元分类问题。即输出类别多于两个。如：硬币分类，手写数字分类，图片分类，邮件分类等。
二元分类和多元分类都属于分类问题，它们的输出是离散的。机器学习中还有另一大问题：回归问题。比如预测股票收益、房屋价格等。除了分类问题和回归问题，机器学习还有一类问题：结构化学习。这部分问题比较复杂，在本课中不会详细介绍（这部分往往属于深度学习领域）。下面来总结一下机器学习的问题种类：分类问题和回归问题。二元分类和回归是我们学习的重点。
2）Learning with Different Data Label 
前面我们提到了货币分类问题，这就属于监督学习。监督学习指的是我们的数据集含有相应的标签。无监督学习是另一类常见的机器学习问题，数据集不含有标签。如常见的文章主题分类。半监督学习介于监督学习和无监督学习之间，数据集中一部分含有标签，而另一部分不含有标签。初次之外，还有一类问题是比较火的：强化学习。类似于我们平时对狗狗的训练就属于次类学习。
3）Learning with Different Protocol 
机器学习可以分为三种类型：
- Batch Learning
- Online
- Active Learning
Batch Learning获得训练数据时完整的一批，实际应用中很广泛。
Online是一种在线学习模型，数据实时更新。随着数据的不断增加，我们也在同步更新算法。如之前介绍的PLA算法和强化学习等。
Active Learning可以让机器具备主动问问题的能力。可以节约时间和成本，特别适当样本标签难以获得的时候。
4）Learning with Different Input Space X
上面我们介绍了机器学习的输出，这部分介绍输入X的类型。
- concrete features
- raw features
- abstract features
concrete features典型的有硬币分类问题中硬币的尺寸，重量等；病人的信息等。这部分对机器是很容易理解的。
raw features有手写数字分类图片所在像素值，语音信号频率等。这部分特征已经有点抽象了。
abstract features顾名思义就已经很抽象了。这部分对于机器学习来说是很困难的，一般需要进行特征工程操作。
这一节主要介绍了机器学习的类型：分类和回归问题，数据标签，学习途径，输入类型等。
