監督學習（supervised learning）：通過已有的訓練樣本（即已知資料以及其對應的輸出）來訓練，從而得到乙個最優模型，再利用這個模型將所有新的資料樣本對映為相應的輸出結果，對輸出結果進行簡單的判斷從而實現分類的目的，那麼這個最優模型也就具有了對未知資料進行分類的能力。在社會中，我們在很小的時候就被大人教授這是鳥啊，那是豬啊，這個是西瓜、南瓜，這個可以吃、那個不能吃啊之類的，我們眼裡見到的這些景物食物就是機器學習中的輸入，大人們告訴我們的結果就是輸出，久而久之，當我們見的多了，大人們說的多了，我們腦中就會形成乙個抽象的模型，下次在沒有大人提醒的時候看見別墅或者洋樓，我們也能辨別出來這是房子，不能吃，房子本身也不能飛等資訊。上學的時候，老師教認字、數學公式啊、英語單詞等等，我們在下次碰到的時候，也能區分開並識別它們。這就是監督學習，它在我們生活中無處不在。
無監督學習（unsupervised learning）：我們事先沒有任何訓練資料樣本，需要直接對資料進行建模。比如我們去參觀乙個畫展，我們對藝術一無所知，但是欣賞完很多幅作品之後，我們面對一幅新的作品之後，至少可以知道這幅作品是什麼派別的吧，比如更抽象一些還是更寫實一點，雖然不能很清楚的了解這幅畫的含義，但是至少我們可以把它分為哪一類。再比如我們在電影院看電影，對於之前沒有學過相關電影藝術知識的我們，可能不知道什麼是一部好電影，什麼是一部不好的電影，可是在**了很多部電影之後，我們腦中對電影就有了乙個潛在的認識，當我們再次坐在電影院認真**新上映的電影時，腦中就會對這部電影產生乙個評價：怎麼這電影這麼不好啊，整個故事線是混亂的，一點也不清晰，比我之前看過的那些電影差遠了，人物的性格也沒有表現出來，關鍵是電影主題還搞偏了；哎呀，這個電影拍得確實好啊，故事情節和人物性格都很鮮明，而且場景很逼真，主角的實力表演加上他與生俱來的憂鬱眼神一下把人物演活了。
再給大家舉乙個無監督學習的例子。遠古時期，我們的祖先打獵吃肉，他們本身之前是沒有經驗而言的，當有人用很粗的石頭去割動物的皮的時候，發現很難把皮隔開，但是又有人用很薄的石頭去割，發現比別人更加容易的隔開動物的毛皮，於是，第二天、第三天、……，他們就知道了需要尋找比較薄的石頭片來割。這些就是無監督學習的思想，外界沒有經驗和訓練資料樣本提供給它們，完全靠自己摸索。
參考：
機器學習一 – 什麼是監督學習和無監督學習？
無監督和有監督演算法的區別
無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解 1 無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習...
無監督和有監督演算法的區別
有監督學習 對具有概念標記 分類 的訓練樣本進行學習，以盡可能對訓練樣本集外的資料進行標記 分類 這裡，所有的標記 分類 是已知的。因此，訓練樣本的岐義性低。無監督學習 對沒有概念標記 分類 的訓練樣本進行學習，以發現訓練樣本集中的結構性知識。這裡，所有的標記 分類 是未知的。因此，訓練樣本的岐義性...
有監督演算法和無監督演算法的理解
無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解 1 無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督學習...