監督式和非監督式學習最簡單的區分方法，就是模型訓練方式，以及演算法使用的訓練資料類型。
監督式學習英文為「Supervised Learning」，中文也可稱「監督學習」，是機器學習中最核心的技術之一。其原理是透過已標記的數據來訓練模型，幫助 AI **理解輸入數據（Input）與預期結果（Output）**之間的關聯性，進而對未見數據進行準確的預測。
可以將監督式學習比喻為考試時能夠直接在已經畫重點的書中找到答案，通過反覆練習及考試次數增加，AI 模型會逐漸熟悉類似的問題，準確率也隨之提高。監督式學習模型廣泛應用於分類與回歸任務，例如垃圾郵件檢測、疾病診斷、股票價格預測等。
不過，監督式學習的最大挑戰在於數據標記的過程，需要大量的時間與人力資源，特別是在數據量龐大的情況下。因此，選擇適合的數據與問題類型，才能讓監督式學習發揮其最大效益。
非監督式學習（Unsupervised Learning）
非監督式學習（或稱非監督學習、無監督學習）是一種不依賴標註數據的學習方式。這種學習方法的主要目的是讓模型透過分析數據本身的結構與模式來進行學習。
非監督式學習通常應用於「分群」（例如：根據用戶的購物行為將用戶分成不同群體）、「降維」（例如：使用 PCA 技術將高維數據簡化為更易理解的低維形式）等任務。
監督式學習、非監督式學習 2 者之間主要區別在於，監督式學習依賴於數據的標籤，通過這些標籤來學習數據與輸出結果之間的關聯；而非監督式學習則專注於從數據的內部結構中發現模式，並不需要標註數據。
舉例來說：大箱子中有許多不同顏色的球，監督式學習就像是你先告訴模型每個球的顏色（標籤），然後讓模型學會如何區分這些顏色。而非監督式學習則像是你把這些球丟進箱子裡，讓模型自己去發現哪些球是相似的，並將它們分組，根據相似度來進行分類。 (來源：Solwen AI )
阿摩線上測驗
登入