监督学习：监督学习需要每一个数据都有标签。一般来说这些标签都是人工设计的标签，通常标注需要花费大量的人力物力。监督学习更像学习一种映射关系，大多数的训练数据都带有标签。输入数据是x，标签是y，学习f函数的映射关系。监督学习学习的特征通常是具体的特征抽取。

半监督：西瓜书上的解释，让学习器不依赖外界交互、自动的利用未标记的样本提升学习性能，就是半监督学习。半监督学习希望从大量无标记的数据中挖掘有用的信息，减少标注成本，降低对标注成本的要求。我的理解是半监督学习既有标签的数据也有没有标签的数据。

无监督：训练数据不要求有标签，没有显示的。没有标签标签的数据。无监督学习通常是学习的特征不是针对具体任务，更像去噪训练，常用的方法包括主成分分析和自编码器等。典型的无监督训练方法是聚类、

自监督：自监督也属于无监督的一个分支。模型通过学习没有标签的训练数据。模型具有自己学习的能力。

弱监督：弱监督是模型只有很弱的标签，但是要去完成一个很强的任务。例如，模型要完成目标分割，分割需要目标类别以及目标的位置box信息，但是标签只有类别信息。

强化学习：强化学习没有显示的给出输入和输出对的方式给出训练样本。强化学习的数据没有标签，学习的过程中并没有规定哪一步正确或者哪一步错误，直到游戏结束才能知道输赢。模型根据最后游戏的输赢可以知道有用的策略，以及不好的策略。强化学习也称为是一种奖励机制。

对抗学习：gan网络是一种典型的对抗学习。一个生成器和一个评分器，他们之间产生对抗学习，最后获得模型对样本的辨别能力。

对比学习：是一种自监督学习的方法。通过学习目标之间的相似性来判断目标的类别。