博客转自：http://blog.csdn.net/wds555/article/details/45560757
强化学习（Reinforcement Learning）：
所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大，强化学习不同于连接主义学习中的监督学习，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。
增量学习（Incremental Learning）：
学习新知识，不忘旧知识。
1) 可以从新数据中学习新知识;
2) 以前已经处理过的数据不需要重复处理;
3) 每次只有一个训练观测样本被看到和学习;
4) 学习新知识的同时能保存以前学习到的大部分知识;
5) —旦学习完成后训练观测样本被丢弃;
6) 学习系统没有关于整个训练样本的先验知识
在线学习（Online Learning）：
数据一个一个的到来，一个一个的学习。
迁移学习（Transfor Learning）：
迁移学习可以从现有的数据迁移知识，用来帮助将来的学习。迁移学习（Transfer Learning）的目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。因此，迁移学习不会像传统机器学习那样作同分布假设。
批量学习（Batch Learning）：
数据一批一批的到来，一批一批的学习。