机器学习的四种主要方法（有时也被称为学习范式或类型）及其典型应用如下：

1. 监督学习 (Supervised Learning)

   • 核心思想： 让模型从带有标签的训练数据中学习。训练数据中的每个样本都包含输入特征和对应的已知输出（标签）。
   • 目标： 学习输入特征到输出标签之间的映射关系 (f: X -> Y)。
   • 关键任务：
     • 分类 (Classification)： 预测离散的类别标签（例如：垃圾邮件检测、图像识别）。
     • 回归 (Regression)： 预测连续数值（例如：房价预测、销售额预测）。
   • 典型算法： 线性回归、逻辑回归、决策树、支持向量机 (SVM)、随机森林、神经网络等。

2. 无监督学习 (Unsupervised Learning)

   • 核心思想： 让模型从未标注的数据中发现隐藏的结构或模式。训练数据只有输入特征 (X)，没有对应的输出标签 (Y)。
   • 目标： 探索数据的内在结构、分布或关系，提取有价值的信息。
   • 关键任务：
     • 聚类 (Clustering)： 将数据样本分组（聚类），使得组内相似度高，组间相似度低（例如：客户细分、图像分割）。
     • 降维 (Dimensionality Reduction)： 减少特征的数量，同时尽量保留重要信息（例如：数据可视化、特征压缩）(如 PCA, t-SNE)。
     • 异常检测 (Anomaly Detection)： 识别与正常数据模式显著不同的数据点（异常值）。
     • 关联规则学习 (Association Rule Learning)： 发现数据中特征之间的关联关系（例如：“购买尿布的人通常也购买啤酒”）。
   • 典型算法： K均值聚类 (K-Means)、层次聚类、主成分分析 (PCA)、自动编码器 (Autoencoders)、异常检测算法 (如 Isolation Forest, One-Class SVM) 等。

3. 半监督学习 (Semi-Supervised Learning)

   • 核心思想： 结合使用少量带标签数据和大量无标签数据进行训练。
   • 动机： 获取带标签数据通常成本高昂（需要人工标注），而无标签数据通常更容易大量获取。半监督学习利用无标签数据提供的信息来辅助从少量有标签数据中学习，提升模型性能。
   • 常见方法： 基于生成模型的方法、基于图的方法、一致性正则化 (例如在自训练 (self-training) 或协同训练 (co-training) 中使用) 等。

4. 强化学习 (Reinforcement Learning)

   • 核心思想： 模型（称为智能体 Agent）通过与环境的交互来学习如何采取行动以最大化累积奖励。
   • 核心概念：
     • 状态 (State)： Agent 所处的环境信息。
     • 动作 (Action)： Agent 可以采取的动作。
     • 奖励 (Reward)： 环境对 Agent 执行动作后的反馈信号（标量值）。Agent 的目标是最大化长期累积奖励。
     • 策略 (Policy)： Agent 在特定状态下选择动作的规则或策略。
   • 学习过程： Agent 通过试错探索环境，根据获得的奖励或惩罚调整其策略。
   • 关键任务： 游戏 AI（如 AlphaGo）、机器人控制、资源管理、自动驾驶决策等。
   • 典型算法： Q学习 (Q-Learning)、深度 Q网络 (DQN)、策略梯度方法、演员-评论家方法 (Actor-Critic) 等。

总结对比表：