机器学习可以分成监督学习和强化学习。如果严格细分的话，可以分成监督学习、无监督学习、半监督学习和强化学习。
什么是监督学习？什么是无监督学习？
根据定义监督学习是利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 监督学习是从标记的训练数据来推断一个功能的机器学习任务。
用人话来讲就是： 学习过程中是否允许人为干预。
监督学习：我们拿比较经典的猫狗识别为例，加入一个孩子刚开始认识事物(目标值)时，我们想让他正确识别猫和狗这两种不同的动物。我们首先告诉他，猫大概是什么样，狗大概是什么样（告诉特征）。经过一段时间的介绍，孩子逐渐知道了猫和狗的区别。如果孩子下一次再看到猫和狗给出答案时，其他人会指出错误（人工干预）。
主要用途：分类（Classify）和回归（Regression）。
常见算法：k-近邻算法、决策树与随机森林、逻辑回归、神经网络、朴素贝叶斯、Logistic回归、支持向量机、AdaBoost算法、线性回归、局部加权线性回归、收缩和树回归等
非监督学习：还是上面的那个例子，给他不同的猫和狗，但是并不告诉他哪个是猫哪个是狗，而是让他自己根据两个事物的特征自己进行判断，会把猫和狗分到两个不同组中，下次再给孩子一个狗的图片，他会把狗分到狗组中，而不是分到猫组中。
也就是说，在学习的过程中，只提供事物的具体特征(特征值)，但不提供事物的名称(目标值)，让学习者自己总结归纳。所以非监督学习又称为归纳性学习（Clustering），是指将数据集合分成由累死的对象组成的多个簇（或组）的过程。
主要用途：聚类等
常见算法：k-means、Apriori、FP-Growth等