监督学习

一般来说，监督学习是指你有一些$X$这与$y$，这样您就可以对两者之间的关系进行建模（平均而言）。在这种情况下，您可以建立一个统计模型：

模型学习$\beta$，以便您能够预测$y$经过：$\hat{y}=\hat{\beta}X$.

示例是回归或分类任务（例如使用线性模型、神经网络、增强等）。

无监督学习

当你只有$X$没有回应$y$，你面临一个无人监督的问题。在这种情况下，重点是识别模式$X$，例如通过聚类。无监督学习的示例是 k 最近邻 (KNN) 或主成分 (PCA)。

《统计学习简介》一书提供了很好的概述。或者，《统计学习要素》一书提供了更全面的概述。

强化学习

强化学习有点不同。在这里，您尝试根据过去的经验找到对某个问题的最佳响应。例如自动驾驶汽车或井字游戏。因此，对于环境的每个状态（例如井字游戏的状态），RF 旨在找到最佳响应（最佳下一步）​​。谷歌的DeepMind和 AlphaGo 都是基于射频的。萨顿和巴托的书是这里的标准文献。