機器學習是一幫計算機科學家想讓計算機像人一樣思考所研發出來的計算機理論。在機器學習中，最常見的問題就是分類問題。所謂的分類問題，就好比我們用機器學習算法，將病人的檢查結果分為有病和健康，是一個醫學方面的二分類問題。當然，機器分類的方式是多種多樣的，今天我們就在這篇文章里著重為大家介紹一下以學習形式對機器學習進行的分類，讓大家對機器學習有更好的了解。

按照學習形式分類的話，機器學習的知識分為非監督學習和監督學習這兩種，首先我們說一下非監督學習的內容，其實非監督學習就是歸納性學習，利用K方式，建立中心，通過循環和遞減運算來減小誤差，達到分類的目的。而非監督學習的研究領域還是十分廣泛的，一般來說，機器學習領域的研究工作主要圍繞三個方面進行。第一個方面就是面向任務的研究，具體就是研究和分析改進一組預定任務的執行性能的學習系統。第二個方面就是認知模型，具體就是研究人類學習過程并進行計算機模擬。第三個方面就是理論分析，具體就是從理論上探索各種可能的學習方法和獨立于應用領域的算法。當然，機器學習是繼專家系統之后人工智能應用的又一重要研究領域，也是人工智能和神經計算的核心研究課題之一?，F有的計算機系統和人工智能系統沒有什么學習能力，最多也只有非常有限的學習能力，因而不能滿足科技和生產提出的新要求。對機器學習的討論和機器學習研究的進展，必將促使人工智能和整個科學技術的進一步發展。這也就是現在的研究人員都開始重視機器學習的原因。

那么監督學習是什么呢？所謂監督學習就是監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。在監督學習中，每個實例都是由一個輸入對象（通常為矢量）和一個期望的輸出值（也稱為監督信號）組成。監督學習的訓練集要求是包括輸入和輸出，也可以說是特征和目標。訓練集中的目標是由人標注的。常見的監督學習算法包括回歸分析和統計分類。這些就是監督學習的主要內容。

實際上，機器學習的內容各自都保持著獨立，而非監督學習所學習的知識顯然超過原有系統知識庫所能蘊涵的范圍,所學結果改變了系統的知識體系, 因而這種類型的學習被人們廣泛使用。而監督學習盡管所學的知識能提高系統的效率，但仍能被原有系統的知識庫所蘊涵,即所學的知識的特征和目標被訓練的十分出色,因而這種類型的學習方式得到了研究人員的認可。這兩種類型的主要區別在于，監督式學習是使用基礎事實完成的，或者換句話說，我們事先知道樣本的輸出值應該是多少。

通過文章的介紹，想必大家心中的謎團已經解開，對于機器的學習就是需要這樣一點一點深入，畢竟一口吃不成個胖子，機器學習也是需要慢慢積累的。機器學習的征程可謂任重道遠，既然選擇了這個方向，就一定要加倍努力，不枉費時間，也不辜負青春。