机器学习根据任务的不同，可以分为监督学习（supervised learning）、半监督学习（semi-supervised learning）、无监督学习（unsupervised learning）和增强学习（reinforcement learning）。
接下来将介绍一些基本概念
监督学习的训练数据包含了类别信息，例如在故障检测中，其训练样本就包括了故障信息和非故障信息。在监督学习中，典型问题为分类和回归，常用算法有线性回归算法、BP神经网络算法、逻辑回归算法等。
在监督学习中，其训练样本中同时含有特征和标签信息两种。分类算法和回归算法的区别在于，分类算法的标签是离散的值，例如用0和1分别表示非故障信息和故障信息；回归算法的标签是连续的值，例如通过机械设备的性能、工况等参数取预测机械设备剩余寿命。
通过监督学习算法训练得到训练集特征和标签之间的假设函数，并根据假设函数对测试集进行预测。
分类算法典型问题包括垃圾邮件的分类、手写字的识别（多分类）等。
回归算法典型问题包括股价预测、房屋价格预测等。
在无监督学习中，其样本只包括特征信息，不包括标签信息，这样在学习的时候不知道其分类结果是否正确。
无监督学习算法主要为聚类算法，是将相似的特征样本划分到一类中，其中比较重要的算法为降维算法。数据降维是将高维的输入空间转换为低维空间。
以上针对机器学习的基本概念进行了简单介绍，随着数据量的增大和计算机能力的增强，使得深度学习也在飞速的发展中，常见的包括卷积神经网络和循环神经网络。
参考文献：《Python机器学习算法》
