1. 判别式感知任务
- 分类（离散输出）：图像识别、文本情感分析、语音指令识别。
- 回归（连续输出）：除了天气预测，还有年龄估计、股票价格预测、深度估计（单目测距）。
- 排序/度量学习（输出相对顺序或相似度）：人脸识别（比对两张脸的相似度）、图像检索、推荐系统的Embedding召回（本质是学习一个度量空间，而非简单的检索）。
2. 结构化感知任务（从"是什么"进阶到"在哪里"）
- 目标检测：输出边界框（坐标回归 + 分类），如自动驾驶中的行人检测。
- 语义/实例/全景分割：输出像素级掩码（每个像素做分类），如医疗影像中的器官分割。
- 关键点/姿态估计：输出特定坐标点集，如人体骨骼关键点检测、人脸关键点对齐。
3. 生成式复原与创作任务
- 超分辨率/去噪/去模糊：低质量输入 → 高质量输出（Ill-posed inverse problem，病态逆问题）。
- 图像/视频/音频生成：文本生成图像（Stable Diffusion）、语音合成（TTS）、视频生成（Sora）。
- 风格迁移/域迁移：将输入映射到另一个域（如照片变油画、马变斑马、白天变黑夜）。
4. 序列与时间动态建模任务（天气预测深层本质）
天气预测不仅是回归，更是时序预测。这类任务包括：
- 自回归预测：用历史序列预测未来序列（如流量预测、股价）。
- 序列转换（Seq2Seq）：输入序列 → 输出序列（如机器翻译、语音识别、文本摘要）。
- 事件预测/时序动作定位：在连续视频流中判断"何时"发生了"什么动作"。
5. 异常与分布外检测任务
- 离群点检测：在数据分布中查找显著偏离的点（如金融反欺诈）。
- 新颖性检测：判断样本是否属于训练集从未见过的类别（如工业质检中的未知缺陷）。
- 变化点检测：检测时间序列中统计特性的突变（如设备故障预警）。
6. 表示学习与降维任务（无监督/自监督核心）
- 嵌入（Embedding）学习：将高维稀疏数据映射为低维稠密向量（如Word2Vec、图嵌入）。
- 聚类：无标签地将数据按内在相似性分组（如用户画像分群）。
- 对比学习/掩码重建：MAE（掩码自编码器）或SimCLR，本质是学习具有高度语义不变性的特征空间，常作为预训练手段。
7. 决策与交互控制任务（强化学习与主动推理）
- 序列决策：根据当前状态（State）输出动作（Action），最大化长期回报，如围棋落子、机器人抓取、自动驾驶的横向/纵向控制。
- 模仿学习/逆强化学习：从专家轨迹中反推奖励函数或直接学习策略。
8. 结构预测与图学习任务（非欧空间数据）
- 节点/边/图分类：如分子性质预测（这个分子是否有毒）、社交网络好友推荐。
- 链接预测：预测两个节点之间是否存在潜在关系（知识图谱补全）。
- 组合优化求解：用GNN（图神经网络）预测旅行商问题（TSP）的最优路径节点排序。
一个更本质的视角（哲学归纳）：
上述所有任务，本质上都是在学习一个映射函数 f:X→Yf: X \to Yf:X→Y ，任务的区别仅在于目标空间 YYY 的结构：
- YYY 是离散标量 → 分类
- YYY 是连续标量 → 回归
- YYY 是坐标/框/点集 → 检测/姿态
- YYY 是网格概率图 → 分割
- YYY 是与XXX同维度的张量 → 生成/复原
- YYY 是变长序列 → 翻译/摘要
- YYY 是动作概率分布 → 强化学习
- YYY 是相似度分数 → 检索/度量学习