机器学习技术的分类可以从不同的角度进行，这里将从以下几个方面进行阐述：
监督学习是基于已有的标记数据进行训练，以构建一个从输入到输出的映射函数，使得对于未标记数据能够进行预测。无监督学习则是在没有标记数据的情况下进行训练，通过发现数据中的结构和规律来提取特征或进行聚类分析。强化学习则是在与环境交互的过程中不断学习和优化策略，以获得最大化的奖励。
分类问题是将实例按照类别进行划分，回归问题是根据输入数据预测数值型输出，聚类问题则是将数据分成不同的组别。
基于实例的学习是通过将实例保存在内存中，对新的实例进行分类或回归预测。基于模型的学习则是在训练过程中构建一个模型，并通过该模型对新的实例进行预测。
批量学习是在训练过程中一次性使用所有的训练数据，进行模型的训练和参数的更新。在线学习则是在训练过程中使用一部分数据进行训练，不断地获取新的数据并根据新数据更新模型。
深度学习是通过构建深层神经网络，自动学习特征表示，实现对复杂数据进行高效处理的方法。传统机器学习则是使用人工设计的特征进行分类和回归预测。
基于规则的学习是通过人工构建规则，对新的实例进行分类和推理。基于实例的推理则是通过在训练数据集中查找与新实例最相似的实例进行推理。
集成学习是通过将多个分类器或回归器进行集成，以提高模型的准确性和鲁棒性。常见的集成学习方法有bagging、boosting等。
总的来说，机器学习技术的分类是多方面的，以上分类方式只是其中的一部分，但对于初学者来说，掌握这些分类方式可以对机器学习的理解和应用有很大帮助。