监督学习是指你为算法提供的数据被“标记”或“标记”，以帮助你的逻辑做出决策。

示例:贝叶斯垃圾邮件过滤，您必须将一个项目标记为垃圾邮件以优化结果。

无监督学习是一种试图在原始数据之外没有任何外部输入的情况下找到相关性的算法。

例如:数据挖掘聚类算法。

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。

我尽量简单点。

监督学习:在这种学习技术中，我们得到一个数据集，系统已经知道该数据集的正确输出。这里，我们的系统通过预测自己的值来学习。然后，它通过使用代价函数来检查其预测与实际输出的接近程度，从而进行准确性检查。

无监督学习:在这种方法中，我们很少或根本不知道我们的结果是什么。因此，我们从不知道变量影响的数据中推导出结构。 我们根据数据中变量之间的关系对数据进行聚类，从而形成结构。 在这里，我们没有基于预测的反馈。

在监督学习中，我们知道输入和输出应该是什么。例如，给定一组汽车。我们得找出哪些是红的，哪些是蓝的。

然而，无监督学习是指我们必须在很少或没有任何关于输出应该如何的想法的情况下找到答案。例如，学习者可以建立一个模型，根据面部模式和单词(如“你在笑什么?”)的相关性来检测人们何时在微笑。

例如，训练神经网络通常是监督学习:你告诉网络你输入的特征向量对应于哪个类。

聚类是无监督学习:你让算法决定如何将样本分组到具有共同属性的类中。

另一个无监督学习的例子是Kohonen的自组织地图。

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.