监督学习和非监督学习是机器学习的两种主要类型，它们的区别在于训练数据的标签是否已知。
监督学习：训练数据包含输入特征和对应的标签或输出值。模型通过学习输入特征和对应的输出值之间的关系，从而预测新的输入数据的输出值。监督学习的目标是寻找一个函数，将输入映射到输出。监督学习是一种通过使用带有标签的训练数据来训练模型的方法。在监督学习中，模型通过学习输入特征和对应的输出标签之间的关系来进行预测。监督学习的目标是根据已知的输入和输出关系来预测新的输入对应的输出。常见的监督学习任务包括分类和回归。例如，分类和回归问题都属于监督学习。其中，分类问题的目标是将输入映射到预定义的类别中的一种，而回归问题的目标是将输入映射到一个连续的输出值上。
非监督学习：训练数据只包含输入特征，没有对应的标签或输出值。模型通过学习输入特征之间的内在结构和规律，从而实现聚类、降维、异常检测、关联规则挖掘等任务。非监督学习的目标是寻找数据的潜在结构，发现数据本身的特征。非监督学习是一种通过使用无标签的训练数据来训练模型的方法。在非监督学习中，模型通过学习数据中的模式、结构和关系来进行数据分析和模式发现。非监督学习的目标是从数据中发现隐藏的结构和模式，而不需要预先定义输出标签。常见的非监督学习任务包括聚类和降维。例如，聚类问题的目标是将数据分成不同的组，每个组中的数据具有相似的特征；降维问题的目标是将高维数据映射到低维空间，以便于可视化和处理。
监督学习和非监督学习通常被认为是机器学习的两个主要分支，但在实际应用中，它们经常会结合使用。例如，在进行聚类分析时，可以使用一个无监督模型来发现数据的潜在结构，然后使用监督模型对每个聚类进行分类或预测。另外，还有半监督学习和强化学习等其他类型的机器学习方法，它们也有各自的特点和应用场景。
监督学习又可分为以下两类任务：
分类：分类是一种监督学习任务，其目标是将输入数据分为不同的类别或标签。分类模型通过学习输入特征和对应的类别标签之间的关系来进行预测。常见的分类算法包括决策树、支持向量机和神经网络。
回归：回归是一种监督学习任务，其目标是预测连续型的输出变量。回归模型通过学习输入特征和对应的输出变量之间的关系来进行预测。常见的回归算法包括线性回归、决策树回归和支持向量回归。