不同公司都聲稱使用機器學習處理大數據，訓練人工智能，但事實上機器學習又有分為哪些種類呢 ?
1. 監督式學習 Supervised Learning
所有數據及資料都已被人手標註 ( Label )，則事先已輸入相關值。此方法準確性最高，但相當花費人力及時間，因為此方法要求人手輸入標準答案用於學習。假設某個機器學習的目的為分辨老鼠、獅子及狗，事先需要用戶標註相關資料，例如提供1000張已標註老鼠、獅子及狗的照片，機器會依照所標註的資料去偵測相關特徵，從而根據特徵進行分辨。
2. 非監督式學習 Un-Supervised Learning
與監督式學習相反，所有資料都不會被作標註，要求機器自行尋找資料的特徵並分類。此方法對人力要求最低，但錯誤率亦較高。假設某個機器學習的目的為分辨不同水果，只需提供大量不同水果的照片，機器會自行偵測不同特徵，從而根據特徵進行分辨。
3. 半監督式學習 Semi-Supervised Learning
半監督式學習結合以上兩種方法，為現時最常用的方法。用戶需要對小部分資料進行標註，電腦根據已標註的資料找出特徵，並對其他未標註資料進行分類。因為用戶事先已對小部分資料進行標註，電腦有相關資料作為依據，因此準確度通常較非監督式學習高，而所需的人力資源亦較監督式學習低。
4. 強化式學習 Reinforcement Learning
強化式學習與以上其他監督式學習方法有著顯著的不同，用戶事前並不會標註任何資料，而是基於機器學習的每一步提供回饋，指出相關結果是否正確，令電腦自行修正，從而得出正確的結果。此方法對非監督式學習確保正確率尤其重要。
參考資料:
三分鐘了解機器學習的四個學習方式 https://www.ecloudvalley.com/zh-hant/machine-learning/
