Le principali tipologie di machine learning sono suddivise in tre categorie principali: supervisionato, non supervisionato e reinforcement learning.

Machine Learning Supervisionato

- Definizione: In questo tipo di apprendimento, il modello viene addestrato su un insieme di dati che include coppie di input e output etichettate.
- Obiettivo: L'obiettivo è far imparare al modello una mappatura tra gli input e le rispettive etichette, consentendo al modello di fare previsioni o classificazioni su nuovi dati in base a questa mappatura.
- Esempi: Classificazione e regressione.

Machine Learning Non Supervisionato

- Definizione: In questo approccio, il modello viene addestrato su dati che non hanno etichette. L'algoritmo cerca di identificare pattern, strutture o relazioni intrinseche nei dati senza l'ausilio di etichette.
- Obiettivo: L'obiettivo principale è esplorare la struttura nascosta nei dati, come la clusterizzazione, la riduzione della dimensionalità o l'associazione.
- Esempi: Clustering, riduzione della dimensionalità, association rule learning.

Reinforcement Learning

- Definizione: In questo paradigma, un agente apprende a prendere decisioni attraverso interazioni con un ambiente. L'agente riceve feedback in forma di ricompense o punizioni in base alle azioni che intraprende.
- Obiettivo: L'obiettivo è massimizzare la somma delle ricompense nel tempo, imparando quale sequenza di azioni porta a risultati migliori.
- Esempi: Apprendimento di strategie di gioco, robotica, automazione.