监督学习：

根据现有的数据集，知道输入和输出结果，也就是已知特征和标签的对应关系。根据这种已知的关系，训练得到最优的模型。
在监督学习的数据集中，既有特征（feature）信息又有标签（label）信息。通过训练，使得机器找到特征和标签之间的关系（训练得到最优模型）。在新的数据集中，只有特征信息没有标签，让机器根据训练的模型自动去判断出标签。

举个栗子：
我们知道适当的水分和充足的光照可以使植物的生长速度更快（但是机器不知道这个常识）。下面是一组记录了每天不同光照时间的植物的生长速度（以下数据属于作者杜撰，看看就好，不要较真）。
在上面的数据集中，水分和光照就是特征，生长就是标签。
我们根据已有的数据集，通过训练得到最优的模型。然后根据此模型，可以预测新的数据可能会造成什么结果。比如800ml的水和5个小时的光照（特征），预测一天可能会生长多少毫米（标签）。

无监督学习：

在实际应用中，很多的数据没有办法预先得知样本标签，也就是只有特征。我们需要首先要根据特征对样本数据集进行分类设计，然后对新的数据集进行分类预测。

举个栗子：
我们下载手机app的时候经常会看到推送：下载此应用的用户还下载了xxx。

平台不会事先得知每个用户想要下载什么app，只会获得此用户的一系列基本信息，比如：年龄、位置、经常访问的页面等等。根据这些特征，去预测人群分类，然后根据人群分类去推送app。

监督学习和无监督学习的常用算法：