必须先搞清楚机器学习中两个很重要的概念，一个是监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）。
这两者的区别就是前者知道了结果的正确值，后者没有这个指导值，也就是说你不知道所谓的正确结果。
wikipedia上这样描述：
监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。
无监督学习与监督学习相比，训练集没有人为标注的结果。下面分别从应用的角度来叙述。
监督学习：
模式识别，这是机器学习最常用的，比如说OCR，每个人的写字习惯都有很大的差别，现在一般就是通过训练来提高准确率，比如你写了一个A，然后告诉机器你写了A，机器从中提取出你的一些特征，下次就知道你写的是什么了，有输入，有输出，有目标量。模式识别也包括人脸识别、语音识别等。监督学习的算法就是回归（连续数据）和分类（离散数据）。
信用评分，根据你的个人信息和一些历史数据，判断贷款的风险，把风险和客户的个人行为和个人信息联系在一起。通过一些历史数据判断出某个人违约的风险。就像亚马逊上，你买了这本书，那么你买另外一本书的概率有多少，以前买了你这本书的人一般都会买另外一本书。然后推荐给你。垃圾邮件的识别也算。
无监督学习：
现在无监督学习的应用越来越广泛，这块主要是数据挖掘，在如今大数据大时代可以说是恰逢其时啊！我们不知道这么多的数据中隐含着怎么样的信息，机器学习的任务就是把其中有用的提取出来，或者找到这些数据的现实意义。
无监督的算法主要是聚类。
除了这两个以外，还有增强学习和半监督学习等。
机器学习最重要的两个应用就是 数据挖掘（Data Mining）和模式识别（Pattern Recognition）。
《机器学习导论》学习笔记 第一章 绪论,布布扣,bubuko.com
原文地址：http://www.cnblogs.com/zjjsxuqiang/p/3724082.html
