斜体字应该为您提供足够的googleable术语来开始更深入的研究：P。

统计机器学习有 3 个主要分支。

1. 监督学习 当一个问题可以表述为将一些$X$和一些$Y$. 例如，对一张猫的图片进行分类（$X$) 带有标签“猫”($Y$）。监督学习中的训练通常意味着展示一些$X$，让代理预测标签，将预测与答案进行比较以获得错误度量，最后使用错误来更新代理以对未来做出更好的预测$X$s。MNIST是分类域的一个很好的例子。

   1.1 当我们想要学习相关的数字而不是标签时，监督学习也适用于回归，例如考虑到多年吸烟和体重的心脏病风险。

2. 无监督学习 当我们想从没有标记响应的数据集中得出推论时，使用这种类型的学习。它可用于查找数据中的隐藏模式或分组。

3. 强化 学习$X$沙$Y$监督学习中的 s 是iid，这意味着它们与前面的无关$X$模型之前观察到的。但是，最近有很多问题$X$,$X$有时$t$($X_t$)，对于弄清楚什么是非常重要的$Y$预测（$Y_{t+1}$) 下一个$X$($X_{t+1}$）。强化学习 (RL) 领域建立在这一概念之上，通过将观察构建为由代理与环境交互生成的数据。具体来说，RL 领域提出了寻找行为（策略）来选择动作的问题，以便使用该策略的代理可以最大化称为环境奖励的特殊信号。代理从世界状态开始（$S_t$) 时$t$并采取一些行动（$A_t$) 将其置于新状态 ($S_{t+1}$) 并给予奖励 ($R_{t+1}$）。

神经网络是一种在数据中寻找特征（某种显着差异）的技术。它们可以用于上述所有学习策略，但对它们来说不是必需的，尽管它们的应用最近取得了一些非常强大的结果。深度___学习只是将多层神经网络应用于上述学习方法之一。