以下将会讨论监督学习（supervised learning）和无监督学习（unsupervised learning）的特点及实例，同时附上笔者个人对此的见解。
回归（Regression）
分类（Classification）
例子1：一个学生收集了某市的房屋尺寸大小及其对应价格的一些数据，现在甲有一栋750平方英尺的房子，如何估计一下大概能卖掉多少钱？
Regression： Predict continuous valued output
个人理解为变量之间有着非常强的数学关系，输入与输出都是数字
例子2：某人收集了一部分与乳腺癌肿瘤相关的数据，现在乙有一个肿瘤，如何判断该肿瘤是良性还是恶性？
Classification: Predict discrete valued output(0 or 1)
不同于回归，输出结果是0与1代表两类，不是单纯意义上的数字，代表分类、等级
分类结果不一定是只有两种
更加决策性
例子3：该人更进一步收集了相关数据，补充了年龄
对于离散和连续的理解：
房价将精度调整之后可以再次细分，同时两个相邻的房价样本之间，客观上可以存在无数个可能，算作连续数据
但良性与不良性之间，只有这两种可能性，诸如此类，计数型，分类型，等级型的，算作离散数据
（但是有一说一通常情况下收集的数据都应该算作离散型吧）
聚类（Clustering）- K-means聚类
聚类（Clustering）- 层次聚类
降维-主成分分析（PCA）
降维-奇异值分解（SVD）
例子4：有很多违法行为都需要"洗钱"，这些洗钱行为跟普通用户的行为是不一样的，到底哪里不一样？
如果通过人为去分析是一件成本很高很复杂的事情，我们可以通过这些行为的特征对用户进行分类，就更容易找到那些行为异常的用户，然后再深入分析他们的行为到底哪里不一样，是否属于违法洗钱的范畴。
虽然我们不知道这些分类意味着什么，但是通过这种分类，可以快速排出正常的用户，更有针对性的对异常行为进行深入分析。
例子5：鸡尾酒问题-将人声分离
无监督学习先写这么多吧，以后再补充吧
第一次写
参考来源：