按输出空间分
二元分类问题（binary classification最核心）
回归问题（最核心）
多元分类问题（multiclass classification）
结构学习问题（structured learning problem，巨大的多元分类问题，structure=hyperclass，没有明确的类别定义。例如：通过蛋白质数据预测蛋白质扭曲方式；依据演讲数据构建演讲解析树......)
按数据标签分
监督学习
无监督学习(用途：聚类、密度评估、异常检测......）
半监督学习
强化学习（reinforcement learning，标签用一种隐晦的信息方式（例如，好或不好）给机器反馈。是一种很特别但又自然的学习方式。例如：广告推送用户点击还是不点击对机器都是一种反馈）
按protocol分
批学习（batch learning，一次性喂入资料，训练模型，模型出来以后就定型了)
线上学习（online learning，假设随着样本的加入而逐步修正，例如：PLA，reinforcement learning）
主动学习(active learning，通常用在取得标签很贵的情况，当机器碰到不能识别的类时，可以问人这是什么)
按输入空间分
具体特征（concrete features，特征中通常包含人类智慧（对这个资料的描述），特征是人类选好之后喂给机器的）
原始特征（raw features，通常需要人类智慧或者机器自己把raw feature转化为具体特征，前者相当于特征工程，后者相当于深度学习。例如，只给机器一张JPG格式的手写字母，要求识别这是什么字）
抽象特征（abstract features，给你抽象的元祖（userid,itemid,rating）集,要求预测某个userid会给出怎样的itemid的排名。应用：音乐推送中常常用到。抽象，通常需要特征转换/提取/构建）