監督學習，可以提供反饋來表明預測正確與否，適用於學習一個已經分類的數據集的映射函數。

在監督學習中，數據集包含其目標輸出（或標簽），以便函數能夠計算給定預測的誤差。在做出預測並生成（實際結果與目標結果的）誤差時，會引入監督來調節函數並學習這一映射。

無監督學習，可基於數據中的一些隱藏特征對未標記的數據集進行分類。

在無監督學習中，數據集不包含目標輸出，因此無法監督函數。函數嘗試將數據集劃分為“類”，以便每個類都包含數據集的具有共同特征的一部分。

強化學習，與監督學習類似，也可以接收反饋，通過反復探索某個不確定的環境，學習該環境中的決策制定策略。

在強化學習中，算法嘗試學習一些操作，以便獲得導致目標狀態的一組給定狀態。誤差不會在每個示例後提供（就像監督學習一樣），而是在收到強化信號（比如達到目標狀態）後提供。此行為類似於人類學習，僅在給予獎勵時為所有操作提供必要反饋。

強化學習已經類似於人類學習了？逆天了我的機器！請跟小編一起淩亂30秒。。。

點擊“閱讀原文”，

深入了解機器學習的每種模型及其關鍵算法，

畢竟知己知彼才能百戰百勝啊~

想要機器學習不“短路”？你需要這些套路！