1. ML任务的分类

根据训练数据中的样本和标签的关系，ML任务主要分成五大类：监督学习、半监督学习、无监督学习、迁移学习、增加学习

（1）监督学习

有大量的样本和标签。
ML分析样本和标签之间的关系。
经过学习之后，能够根据新的样本推断它的标签。

根据标签的类型，又可以分为：

（2）半监督学习

有大量的样本，其中少量样本有标签，其它大部分样本都没有标签。
这种任务常见于对样本打标签成本太高的情况。
ML分析样本和标签之间的关系以及样本自身的规律。
经过学习之后，能够新样本所表现出的规律预测它的标签。

（3）无监督学习

有大量的样本，没有标签
ML分析样本之间的关系，例如聚类问题。
或者ML学习样本的规律，并在些基础上做新的推断，例如GAN

（4）迁移学习

有大量的样本，有大量的标签，但样本和标签不是对应关系。
ML分别分析样本和标签的规律。
经过学习之后，能够根据新的样本的规律推断它的标签的规律，进一步推断出它对应的标签。

（5）增强学习

有大量的样本，没有标签，但可以根据ML对样本推断出的标签做评价。
ML在与环境的互动中学习。
经过学习之后，可以根据样本推断标签，并根据环境的反馈调整自己的推断。

2. ML常见技术

ML的技术主要体现在“定义假设空间”、“定义损失函数”、“定义优化算法”这三个步骤中。每个步骤都有各自的技术。
一个完整的模型应包含以上三步的技术。每个步骤选择什么样的技术通常有些特定的组合，也可以根据实际情况调整。

（1）定义假设空间

这一步的各种技术种类最多。也很难归类。
DL中各种不同的网络结构其中就是在定义各种不同的假设空间。

（2）定义损失函数

西瓜书第二章对这个话题有很完整的介绍。

（3）定义优化算法

花书第八章对这个话题有比较系统的介绍。