监督式学习:

监督学习算法分析训练数据并产生推断函数，该函数可用于映射新的示例。

我们提供训练数据，我们知道对某个输入的正确输出 我们知道输入和输出之间的关系

问题类别:

回归:预测连续输出中的结果=>将输入变量映射到某个连续函数。

例子:

给一个人的照片，预测他的年龄

分类:在离散输出中预测结果=>映射输入变量到离散类别

例子:

这个肿瘤癌变了吗?

无监督学习:

无监督学习从未被标记、分类或分类的测试数据中学习。无监督学习识别数据中的共性，并根据每个新数据中这些共性的存在与否做出反应。

我们可以根据数据中变量之间的关系对数据进行聚类，从而推导出这种结构。 基于预测结果没有反馈。

问题类别:

聚类:是对一组对象进行分组，使同一组(称为聚类)中的对象彼此之间(在某种意义上)比其他组(聚类)中的对象更相似。

例子:

收集100万个不同的基因，找到一种方法，自动将这些基因分组，这些基因在某种程度上是相似的，或因不同的变量(如寿命、位置、角色等)而相关。

这里列出了常用的用例。

数据挖掘中分类和聚类的区别?

引用:

Supervised_learning

Unsupervised_learning

来自coursera的机器学习

走向数据科学

我可以给你们举个例子。

假设您需要识别哪些车辆是汽车，哪些是摩托车。

在监督学习的情况下，你的输入(训练)数据集需要被标记，也就是说，对于你的输入(训练)数据集中的每个输入元素，你应该指定它是代表一辆汽车还是一辆摩托车。

在无监督学习的情况下，你不标记输入。无监督模型将输入聚类到基于相似特征/属性的聚类中。所以，在这种情况下，没有像“car”这样的标签。

Supervised Learning is basically where you have input variables(x) and output variable(y) and use algorithm to learn the mapping function from input to the output. The reason why we called this as supervised is because algorithm learns from the training dataset, the algorithm iteratively makes predictions on the training data. Supervised have two types-Classification and Regression. Classification is when the output variable is category like yes/no, true/false. Regression is when the output is real values like height of person, Temperature etc.

联合国监督学习是指我们只有输入数据(X)，没有输出变量。 这被称为无监督学习，因为与上面的监督学习不同，它没有正确的答案，也没有老师。算法由它们自己的设计来发现和呈现数据中有趣的结构。

无监督学习的类型有聚类和关联。

监督式学习

训练数据包括输入向量的示例及其相应的目标向量的应用被称为监督学习问题。

无监督学习

在其他模式识别问题中，训练数据由一组输入向量x组成，没有任何对应的目标值。这种无监督学习问题的目标可能是在数据中发现相似的例子组，在这里它被称为聚类

模式识别和机器学习(Bishop, 2006)

监督式学习: 假设一个孩子去了幼儿园。这里老师给他看了3个玩具——房子，球和汽车。现在老师给了他10个玩具。 他会根据他以前的经验把它们分为房子，球和汽车3个盒子。 因此，孩子首先是由老师监督，因为他们在几组比赛中答对了答案。然后用不知名的玩具对他进行测试。

无监督学习: 还是幼儿园的例子。给一个孩子10个玩具。他被告知要分割类似的部分。 因此，根据形状、大小、颜色、功能等特征，他会尝试将A、B、C分成3组，并将它们分组。

监理这个词的意思是你给机器提供监督/指令，帮助它找到答案。一旦它学会指令，就可以很容易地预测新的情况。

无监督意味着没有监督或指示如何找到答案/标签，机器将利用它的智能在我们的数据中找到一些模式。在这里，它不会进行预测，它只会尝试寻找具有相似数据的集群。

既然你问了这个非常基本的问题，似乎有必要详细说明机器学习本身是什么。

Machine Learning is a class of algorithms which is data-driven, i.e. unlike "normal" algorithms it is the data that "tells" what the "good answer" is. Example: a hypothetical non-machine learning algorithm for face detection in images would try to define what a face is (round skin-like-colored disk, with dark area where you expect the eyes etc). A machine learning algorithm would not have such coded definition, but would "learn-by-examples": you'll show several images of faces and not-faces and a good algorithm will eventually learn and be able to predict whether or not an unseen image is a face.

这个特殊的人脸检测的例子是有监督的，这意味着你的例子必须被标记，或者明确地说哪些是人脸，哪些不是。

在无监督算法中，你的例子没有标记，也就是说你什么都不说。当然，在这种情况下，算法本身不能“发明”人脸是什么，但它可以尝试将数据聚类到不同的组中，例如，它可以区分人脸与风景非常不同，而风景与马非常不同。

Since another answer mentions it (though, in an incorrect way): there are "intermediate" forms of supervision, i.e. semi-supervised and active learning. Technically, these are supervised methods in which there is some "smart" way to avoid a large number of labeled examples. In active learning, the algorithm itself decides which thing you should label (e.g. it can be pretty sure about a landscape and a horse, but it might ask you to confirm if a gorilla is indeed the picture of a face). In semi-supervised learning, there are two different algorithms which start with the labeled examples, and then "tell" each other the way they think about some large number of unlabeled data. From this "discussion" they learn.