机器学习如果按照训练样本标签的有无可以分为以下两种常用方法。 有监督学习(supervised learning)和无监督学习(unsupervised learning)。
以机器学习中的分类(classification)来说，输入的训练数据有特征（feature），有标签（label）。在分类过程中，如果所有训练数据都有标签，则为有监督学习（supervised learning）。如果数据没有标签，显然就是无监督学习（unsupervised learning）了，也即聚类（clustering）。
监督学习，就是通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。 典型的例子就是KNN、SVM。
KNN算法：https://www.omegaxyz.com/2018/01/08/knn/?hilite='KNN算法'
SVM算法：https://www.omegaxyz.com/tag/svm/
无监督学习（或者叫非监督学习）则是另一种。它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。 无监督学习里典型的例子就是聚类了。
k-means聚类算法：https://www.omegaxyz.com/2018/01/27/kmeans/?hilite='聚类'
因此，learning家族的整体构造是这样的： 有监督学习（分类，回归） ↕ 半监督学习（分类，回归），transductive learning（分类，回归） ↕ 半监督聚类（有标签数据的标签不是确定的，类似于：肯定不是xxx，很可能是yyy） ↕ 无监督学习（聚类）
