这节课主要介绍机器学习问题的一些分类。
Learning with Different Output Space $\mathcal{Y}$
按照数据的输出，可以把 ML 分为以下几类：
- 二类别分类问题：$\mathcal{Y} \in \{0, 1\}$
- 多类别分类问题：$\mathcal{Y} \in \{0, 1, \cdots, K\}$
- 回归问题：$\mathcal{Y} \in R$
- 结构学习
Learning with Different Data Label $y_n$
按照数据的标签，可以把 ML 分为以下几类：
- supervised： 所有 $x_n$ 都具有 $y_n$
- unsupervised： 所有 $x_n$ 都没有 $y_n$
- semi-supervised： 一些 $x_n$ 具有 $y_n$
Learning with Different Protocol $f$
按照数据的传输方式，可以把 ML 分为以下几类：
- batch： 一次性把所有的数据给算法
- online： 连续的数据，一次处理一个数据
- active： 机器通过主动询问某些问题来学习
Learning with Different Input Space $\mathcal{X}$
按照数据的输入，可以把 ML 分为以下几类：
- concrete： 精细的、复杂的、有序的，已经完成预处理的数据
- raw： 原始的，未经处理或者经过很少处理的数据
- abstract：抽象的，无法轻易表明含义的数据
