下图展示了机器学习的主要任务类型和相应的算法。希望对您有所帮助。

机器学习对于样本数量是有要求的。如果数量不够，会严重影响学习的精度。有了足够的样本后，第一个要考虑的问题是，学习的目的是什么？如果是预测新样本应该属于哪个分类，要看学习样本是否已经打了分类标签。如果有，就是分类问题（classification），如果没有，则意味着需要机器自己从数据中找寻规律，进行聚类（clustering）。

如果学习目的是预测新样本对应的预测结果（数量），则要看样本数量大小。小于100K，可以使用随即梯度下降回归（SGD regressor）。如果样本数量较大，则要使用不同的算法。

如果当前样本数据过于复杂、维度众多、特征不显著，无法直接拿来进行机器学习，就要考虑降维处理（dimensionality reduction）。

最后，如果没有明确的学习目的，或者说环境只提供了奖惩机制的话，就可以考虑强化学习（reinforcement learning）。例如，机器人行走训练，四轴飞行器自动飞行，操作ATARI游戏等。