- 迴歸(Regression)，比如迴歸直線，把一堆(x,y)數據用一次函數近似，也可以輸入多變數、或模型更複雜(高次、非線性)
可以做到很多事情，比如圍棋，設計一個模型，輸入是棋局局面，輸出每個位置的機率，再以職業棋手的棋局作為資料，可以做出還不錯的AI。 - 決策樹(Decision Tree)，從根節點開始，根據條件判斷往哪個子節點走，最終到葉節點就得到答案
訓練時條件是大小比較，每個節點會有一個閥值，大於就走一邊，小於走另一邊。
演算法會找到最適合的模型，可以調整最大深度的參數來防止過擬和或增加模型複雜程度。 - K-Means，把一堆點分群(Clustering)，算是非監督式學習。具體作法:指定k個中心，每次依據距離公式把點分到最近中心的群，並以群的中心點作為下一次的中心。
- 監督式學習:給定輸入輸出，叫AI去學它的規律
- 非監督式學習:只給資料，叫AI分類、分群。很熱門的生成對抗網路（GAN）也算是。
- 強化式學習:給定一個環境(Environment)，AI根據狀態(State)選擇動作(Action)，環境回饋獎勵(Reward)讓AI學習與環境互動(最大化Reward)
- 過擬和:擬和指AI模型逼近資料的過程，過擬和指AI模型過於複雜，做出過當的逼近
黑線可以較適當的描述紅點與藍點的邊界，而綠線太過誇大，實際使用會有極端數值出現(INF)
