如何以学习形式对机器学习进行分类？
机器学习是一帮计算机科学家想让计算机像人一样思考所研发出来的计算机理论。在机器学习中，最常见的问题就是分类问题。所谓的分类问题，就好比我们用机器学习算法，将病人的检查结果分为有病和健康，是一个医学方面的二分类问题。当然，机器分类的方式是多种多样的，今天我们就在这篇文章里着重为大家介绍一下以学习形式对机器学习进行的分类，让大家对机器学习有更好的了解。
按照学习形式分类的话，机器学习的知识分为非监督学习和监督学习这两种，首先我们说一下非监督学习的内容，其实非监督学习就是归纳性学习，利用K方式，建立中心，通过循环和递减运算来减小误差，达到分类的目的。而非监督学习的研究领域还是十分广泛的，一般来说，机器学习领域的研究工作主要围绕三个方面进行。第一个方面就是面向任务的研究，具体就是研究和分析改进一组预定任务的执行性能的学习系统。第二个方面就是认知模型，具体就是研究人类学习过程并进行计算机模拟。第三个方面就是理论分析，具体就是从理论上探索各种可能的学习方法和独立于应用领域的算法。当然，机器学习是继专家系统之后人工智能应用的又一重要研究领域，也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统没有什么学习能力，最多也只有非常有限的学习能力，因而不能满足科技和生产提出的新要求。对机器学习的讨论和机器学习研究的进展，必将促使人工智能和整个科学技术的进一步发展。这也就是现在的研究人员都开始重视机器学习的原因。
那么监督学习是什么呢？所谓监督学习就是监督学习是从标记的训练数据来推断一个功能的机器学习任务。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。这些就是监督学习的主要内容。
实际上，机器学习的内容各自都保持着独立，而非监督学习所学习的知识显然超过原有系统知识库所能蕴涵的范围,所学结果改变了系统的知识体系, 因而这种类型的学习被人们广泛使用。而监督学习尽管所学的知识能提高系统的效率，但仍能被原有系统的知识库所蕴涵,即所学的知识的特征和目标被训练的十分出色,因而这种类型的学习方式得到了研究人员的认可。这两种类型的主要区别在于，监督式学习是使用基础事实完成的，或者换句话说，我们事先知道样本的输出值应该是多少。
通过文章的介绍，想必大家心中的谜团已经解开，对于机器的学习就是需要这样一点一点深入，毕竟一口吃不成个胖子，机器学习也是需要慢慢积累的。机器学习的征程可谓任重道远，既然选择了这个方向，就一定要加倍努力，不枉费时间，也不辜负青春。
