Học có giám sát và Học không giám sát

Tiêu chí	Học có giám sát (Supervised Learning)	Học không giám sát (Unsupervised Learning)
Dữ liệu đầu vào	Có cặp dữ liệu đầu vào và đầu ra (input-output) đã biết	Chỉ có dữ liệu đầu vào, không có đầu ra đã biết
Mục tiêu	Dự đoán đầu ra cho dữ liệu mới	Khám phá cấu trúc, mẫu, quan hệ trong dữ liệu
Cách hoạt động	Mô hình học từ dữ liệu đã gán nhãn (labeled data) để dự đoán	Mô hình tự nhóm (cluster) hoặc tìm mối quan hệ trong dữ liệu chưa gán nhãn (unlabeled data)
Kỹ thuật phổ biến	- Classification (Phân loại) - Regression (Hồi quy)	- Clustering (Phân cụm) - Association (Khai thác luật kết hợp) - Dimensionality Reduction (Giảm chiều)
Ví dụ ứng dụng	- Dự đoán điểm thi - Dự báo doanh thu - Phát hiện email spam	- Phân nhóm khách hàng - Phát hiện hành vi bất thường - Gợi ý sản phẩm
Đặc điểm nổi bật	Có “giáo viên hướng dẫn” (supervised = có nhãn để học theo)	Không có “giáo viên”, máy tự tìm hiểu dữ liệu
Khi nào dùng?	Khi đã có dữ liệu nhãn (labels) tin cậy	Khi chưa có nhãn, cần khám phá dữ liệu mới