按学习策略分类，机器学习可以分为：

1）机械式学习（记忆学习）

这种学习方法不需要进行任何推理或知识转换，将知识直接输入机器中，也就是将专家知识总结成规则，用计算机语言加以描述、实现。有多少写入多少，系统本身没有学习过程，对知识只使用而不做任何修改。

2）根据示教学习（传授学习、指点学习）

从老师或其他有结构的事物获取知识。要求系统在原有知识结构的基础上将输入的新知识转换成它本身的内部表示形式。并把新的信息和它原有的知识有机地结合为一体。系统初始知识结构可以以机械式学习方式得到，也可以通过其他学习方式得到。

3）通过类推学习（演绎学习）

系统找出现有知识中与所要产生的新概念或技能十分类似的部分，将它们转换或扩大成适合新情况的形式，从而取得新的事实或技能。该种学习方法是大量知识的总结、推广。

4）从例子中学习（归纳学习）

给学习者提供某一概念的一组正例和反例，学习者归纳出一个总的概念描述，使它适合于所有的正例且排除所有的反例。基于实例的学习方法是目前研究较多的方法之一。本课程将对该类方法作比较深入的讨论。

5）类比学习(www.daowen.com)

类比学习是演绎学习与归纳学习的组合。类比学习过程中匹配不同论域的描述、确定公共的结构，以此作为类比映射的基础。寻找公共子结构是归纳推理，而实现类比映射是演绎推理。

按照实现途径分类，机器学习可以分为：

1）符号学习

符号学习就是基于符号处理的学习方法，包括机械学习、指导学习、解释学习、类比学习、示例学习、发现学习等。

符号处理技术：基于符号演算的知识推理和知识学习技术。只有将人类能够理解的知识，用计算机能够理解的符号表示出来，才能够将知识传授给机器，才能够有智能系统的存在。因此，可以说符号处理是传统人工智能研究的根基，是知识工程的最基础技术之一。这一领域一直是人工智能的主要研究领域。

2）连接学习

连接学习也就是神经网络学习，是基于生物神经网络理论的机器学习方法。

神经网络技术：主要研究各种神经网络模型及其学习算法，这一领域是当前人工智能研究的一个十分活跃，且很有前途的分支领域。

将机器学习分为符号学习和连结学习的主要原因是，前者是建立在符号理论基础上的，它成立的前提是要有大量的知识，而这些知识是人类专家总结出来的，至少解释这些知识的各种“事实”以及对事实的解释“规则”是专家总结归纳的。由于必须有人的参与，所以对于知识的可理解性、可读性非常重视。而所谓联结主义的神经网络则是强调大量的事实，以及对这些事实的反复观察。某种情况下需要人对事实的分类与标注，但是不需要人的解释。学习所形成的知识结构是人所难以理解的。系统本身对于使用的人来说就像是一个变魔术的黑盒子，根据输入给出输出，答案正确但不知道是怎么算出来的。神经网络的有关内容请参考第8章《神经网络》。