按照学习方式不同，机器学习分为监督学习、无监督学习、强化学习、半监督学习、主动学习。
1、监督学习
监督学习是从<x,y>这样的示例对中学习统计规律，然后对于新的X，给出对应的y。
输入空间、特征空间、输出空间输入、输出所有可能的取值的集合分别称为输入空间、输出空间。
一个具体的输入是一个实例，通常由特征向量表示，特征向量组成的空间为特征空间。特征空间与输入空间可以为同一空间，也可以为不同空间。输入输出的随机变量一般用大写X、Y表示，具体实例使用小写表示。
2、无监督学习
无监督学习相比监督学习没有标注数据，也就是Y。无监督学习是从一堆数据中学习其内在统计规律或内在结构，学习到的模型可以是类别、转换或概率。这些模型可以实现对数据的聚类、降维、可视化、概率估计和关联规则学习。
假设X为输入空间，Z为隐式结构空间，则模型可以表示为P（x|z），P（z|x）,z=g（x）。无监督学习可以用于对已有数据的分析，也可以对未知数据进行预测。前者可以用作概率估计，后两者用来聚类或降维。
3、强化学习
强化学习是指智能系统在与环境的连续交互中学习最佳行为策略的机器学习问题。例如，机器人学习行走；AlphaGo学习下棋。强化学习的本质是学习最优的序贯决策。
在每一步t，智能系统从环境中观测到一个状态s和一个奖励r，采取一个动作a。环境根据采取的动作决定下一个时刻t+1的状态和奖励。需要学习的策略表示为给定状态下采取的动作，目标不是短期奖励的最大化，而是长期累积奖励的最大化。
4、半监督学习
半监督学习包含大量未标注数据和少量标注数据。主要是利用未标注中的信息，辅助标注数据，进行监督学习。例如说上传的照片都是大量未标注数据，但会有重复的同一个人的照片，可以通过无监督学习进行分类；如果你为其中一份照片标注了信息，则可以为其他未标注的数据标注信息。
大多数半监督学习算法是无监督式和监督式算法的结合，例如深度信念网络（DBN）。它基于一种互相堆叠的无监督式组件，这个组件叫作受限玻尔兹曼机（RBM）。
5、主动学习
主动学习是机器不断给出实例进行人工标注，然后使用标注数据学习预测模型的机器学习问题。主动学习的目标是对学习最有帮助的实例人工标注，以较小的标注代价，达到最好的学习效果。