分类：根据训练结果判断输入为哪个已知的类别。
应用：图像识别、人脸识别
回归：预测下一个周期的结果。通过之前的数据训练出模型，然后模型根据当前数据生成未来的预测
应用：股票预测、趋势分析预测
技术：K邻近、决策树、朴素Bayes、SVM、线性回归、随机森林；CNN
优缺点：准确性可控、高，取决于训练数据质量和数量，因此工作量大
无监督学习聚类：对数据进行自主分类，生成标签，每个类别有相同的标签。(聚类和分类的区别：前者不知道有哪些分类，而后者知道)
应用：异常检测、用户细分、广告与商品推荐、对象生成(GAN)
降维：不同维度的数据具有一定的关联关系，减少有关联的数据，留下真正提供信息的数据。例如，减小文章篇幅、学生年龄-年级强相关性消除
应用：PCA特征提取、AE特征降维
技术：生成对抗网络GAN、K均值聚类算法、自编码器、谱聚类、主成分分析、embedding
优缺点：不训练，只有特征分布，准确性差，不可控
半监督学习/自学习应用：图像识别、自然语言处理NLP、语音识别、翻译(基于transformer)、文本分类、生物数据分析、语义分析、视频监控、蛋白质预测、基因测序
技术：RNN、基于上下文/时序/对比的自学习、BERT(pre-training + transformer)、Structured Learning
优缺点：需要的标签比较少，同时具有强大的泛化能力，相比无监督学习更准确；缺点是，无标签数据的质量，是否满足假设条件，对于模型有很大的影响
备注：根本原理是，假定相邻的样本具有相似的特征，所有的样本处于同一个分布模式下
强化学习应用：自动驾驶/ADAS、AlphaGo Zero、机器对话
技术：Q-learning、瞬时差分、蒙特卡洛搜索树
优缺点：对学习数据没有直接依赖，不受人类知识的限制(例如alphaGo zero)，但是不容易推广到未知环境中
参考:
有监督无监督半监督的分类：终于有人把监督学习、强化学习和无监督学习讲明白了_大数据-CSDN博客
有监督和无监督算法：有监督和无监督学习都各有哪些有名的算法和深度学习？ - 知乎
无监督学习的应用：无监督学习（一）概述-云社区-华为云
半监督：机器学习-算法-半监督学习：半监督学习（Semi-supervised Learning）算法_u013250861的博客-CSDN博客_半监督学习有哪些算法
BERT和Transformer的关系：张俊林：BERT和Transformer到底学到了什么 | AI ProCon 2019 - 云+社区 - 腾讯云 （BERT=pre-training + transformer）