機器學習中常用的方法有：
(1) 歸納學習
符號歸納學習：典型的符號歸納學習有示例學習、決策樹學習。
函數歸納學習(發現學習)：典型的函數歸納學習有神經網絡學習、示例學習、發現學習、統計學習。
(2) 演繹學習
(3) 類比學習：典型的類比學習有案例(範例)學習。
(4) 分析學習：典型的分析學習有解釋學習、宏操作學習。
擴展資料：
機器學習常見算法：
1、決策樹算法
決策樹及其變種是壹類將輸入空間分成不同的區域，每個區域有獨立參數的算法。決策樹算法充分利用了樹形模型，根節點到壹個葉子節點是壹條分類的路徑規則，每個葉子節點象征壹個判斷類別。先將樣本分成不同的子集，再進行分割遞推，直至每個子集得到同類型的樣本，從根節點開始測試，到子樹再到葉子節點，即可得出預測類別。此方法的特點是結構簡單、處理數據效率較高。
2、樸素貝葉斯算法
樸素貝葉斯算法是壹種分類算法。它不是單壹算法，而是壹系列算法，它們都有壹個***同的原則，即被分類的每個特征都與任何其他特征的值無關。樸素貝葉斯分類器認為這些“特征”中的每壹個都獨立地貢獻概率，而不管特征之間的任何相關性。然而，特征並不總是獨立的，這通常被視為樸素貝葉斯算法的缺點。簡而言之，樸素貝葉斯算法允許我們使用概率給出壹組特征來預測壹個類。與其他常見的分類方法相比，樸素貝葉斯算法需要的訓練很少。在進行預測之前必須完成的唯壹工作是找到特征的個體概率分布的參數，這通常可以快速且確定地完成。這意味著即使對於高維數據點或大量數據點，樸素貝葉斯分類器也可以表現良好。
3、支持向量機算法
基本思想可概括如下：首先，要利用壹種變換將空間高維化，當然這種變換是非線性的，然後，在新的復雜空間取最優線性分類表面。由此種方式獲得的分類函數在形式上類似於神經網絡算法。支持向量機是統計學習領域中壹個代表性算法，但它與傳統方式的思維方法很不同，輸入空間、提高維度從而將問題簡短化，使問題歸結為線性可分的經典解問題。支持向量機應用於垃圾郵件識別，人臉識別等多種分類問題。
參考資料：