一句话定义：监督学习（Supervised Learning）是从「带答案的例题」里学规律，无监督学习（Unsupervised Learning）是从「没有答案的数据」里自己找结构。
先用一个比方讲清原理。教小孩认水果，有两种教法。一种是拿一摞卡片，正面是水果照片、背面写着名字，孩子每猜一次就翻背面看对不对，猜错就调整，这是监督学习；另一种是把一筐水果倒在桌上，说「你按自己的想法分堆」，孩子最后按颜色、软硬、大小分成了几堆，没人告诉他标准答案，这是无监督学习。
真正的分界线：标签只是表面现象，关键看训练目标，也就是损失函数在优化什么。
- 监督学习：目标是用预测去逼近给定答案。分类、回归都属这一类，损失就是预测值与标签之间的差。
- 无监督学习：目标是描述数据本身的结构。聚类、降维、密度估计、异常检测都属这一类，不存在可对照的「正确答案」。
一个反例最能说明问题。大量未标注的文本，让模型根据前文预测下一个词，监督信号是从文本里切出来的，不是人工标注的。这是AI 词典：自监督学习">自监督学习（Self-supervised Learning）。它不需要人标数据，所以常被顺手归进「无监督」；但它做的事本质是预测，有明确的监督信号，只是标签免费。所以按训练目标看，它更像监督学习的一种廉价变体。业界常见做法也是这样：预训练阶段大量用自监督，下游任务再用少量标注做微调（fine-tuning）。
顺带说清楚强化学习（Reinforcement Learning）：它既不是监督也不是无监督，靠的是奖励信号，而且奖励常常延迟、稀疏。
| 维度 | 监督学习 | 无监督学习 | 自监督学习 |
|---|---|---|---|
| 监督信号 | 人工标注 | 无 | 从数据自身构造 |
| 典型任务 | 分类、回归 | 聚类、降维、异常检测 | 预测被遮住或后续的部分 |
| 数据成本 | 标注贵 | 低 | 低 |
| 怎么判断好坏 | 有标准答案，可算准确率 | 依赖下游效果或人工判断 | 预训练指标与下游微调效果 |
对从业者：动手前先问两句：我要预测什么？怎么判断对错？如果答不出「对的输出长什么样」，那多半得走无监督或先做自监督预训练；如果答得出但标注太贵，就考虑自监督预训练加少量标注微调，或者用主动学习（Active Learning）挑最值得标的那批样本。
对普通职场人：无监督最实用的两个场景是「分群」和「找异常」：把客户按行为分组、从日志里挑出可疑记录。这类问题你本来就没有标准答案，不必硬凑标签，先看数据自己会分成几堆，往往比拍脑袋定规则更有用。具体工具与接口细节以官方页面为准。