監督學習（Supervised Learning）：

監督學習是一種機器學習方法，其中模型根據帶有標註的訓練數據進行學習，
並根據這些標註來預測新的未標註數據的標籤或結果。
在監督學習中，訓練數據包括一組特徵和對應的正確答案（標籤或目標值）。
監督學習的目標是使模型能夠從訓練數據中學習到特徵和標籤之間的關係，
並能夠對新的未標註數據進行準確的預測。

監督學習的常見演算法包括:

• 線性回歸
• 邏輯回歸
• 決策樹
• 支持向量機（SVM）
• K近鄰算法（KNN）
• 深度學習

常見應用(分類與迴歸):

• 垃圾郵件偵測
• 模式檢測
• 自然語言處理
• 情緒分析
• 自動影像分類
• 自動序列處理(音樂or語音)

非監督學習（Unsupervised Learning）：

非監督學習是一種機器學習方法，其中模型從未標註的訓練數據中自動學習結構、
模式或規律，而不需要標籤或目標值的指導。
在非監督學習中，訓練數據只包含特徵，沒有對應的標籤。
非監督學習的目標是從數據中發現隱藏的結構和模式，
例如＂聚類（Clustering）＂和＂降維（Dimensionality Reduction）＂。

非監督學習的常見演算法包括

• k-means聚類
• 層次聚類
• 主成分分析（PCA）
• 自編碼器（Autoencoder）
• 生成對抗網絡（GAN）

常見應用(聚類與降維):

• 物件分割(使用者、產品、電影、歌曲…)
• 相似性檢測
• 自動標籤

1. 監督學習使用有標註的訓練數據，
非監督學習使用無標註的訓練數據。

2. 監督學習的目標是預測或分類新的數據，
非監督學習的目標是發現數據中的結構和模式。

3. 監督學習需要有標籤的訓練數據作為指導，
而非監督學習不需要標籤，僅從數據本身學習。

4. 監督學習通常用於分類和回歸問題，
而非監督學習通常用於聚類和降維等問題。