一、无监督学习：
无监督学习就是根据类别未知(没有被标记)的训练样本，解决模式识别中的各种问题。无监督学习的训练数据不包含标记或者分类信息。在无监督学习中，算法需要从数据中发现隐藏的模式、结构和规律，而不是根据预先定义的目标进行分类或者预测。
举例：a.聚类算法。（比如K均值聚类）聚类的目的在于把相似的东西聚在一起，将数据分成若干组，使得同一组内的数据点彼此相似，而不同组之间的数据点尽可能不相似。这样的聚类可以帮助发现数据中的内在结构，比如市场细分、社交网络中的用户群等。
b.降维技术。（比如主成分分析PCA）PCA通过线性变换将高维数据投影到低维空间，保留最重要的特征，从而帮助理解数据的内在结构和特性。
二、有监督学习：
监督学习是利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。有监督学习的训练数据包含输入特征和对应的标记或输出。在有监督学习中，算法的目标是学习一个输入到输出的映射，以便能够对新的输入数据做出预测或者分类。
常见的分类算法有线性分类器、支持向量机(SVM)、决策树、k近邻和随机森林
举例：a.线性回归。线性回归好汉一组输入特征和相应输出值的训练数据，算法的任务是学习一个线性模型，以使得输入特征与输出值之间的关系达到最佳拟合。然后利用学习到的模型对新的输入特征进行预测，比如根据房屋的特征来预测其价格。
b.支持向量机（SVM）。SVM是实现分类任务的算法，算法通过已标记的训练数据学习一个决策边界，以将不同类别的数据点分开。学习完成后，该模型可以用于对新的未标记数据进行分类。
三、区别：
监督学习和无监督学习之间的主要区别在于她们处理训练数据的方式以及学习目标的不同。
a.训练数据：
·监督学习：训练数据包含输入特征和对应的标记或者输出，也就是说，每个训练样本都有一个明确的标签或输出值。
·无监督学习：训练数据不包含标记或者分类信息，只包含输入特征。换句话说，训练样本没有明确的标签或者输出值。
b.学习目标：
·监督学习：算法的目标是学习一个输入到输出的映射，以便能够对新的输入数据做出预测或分类。也就是需要标记数据，即每个输入数据都有一个对应的标签或输出。
·无监督学习：算法的目标是从数据中发现隐藏的模式、结构或者规律，而不是根据预先定义的目标进行分类或预测。通俗点就是只需输入数据，不需要对应的标签。
c.应用领域：
·监督学习常用于预测、分类、回归等任务，比如房价预测、垃圾邮件过滤等。
·无监督学习常用于聚类、降维、异常检测等任务，比如市场细分、数据可视化、异常行为检测等。