首先来一个大概的定义：
监督学习：通过训练让机器自己找到特征和标签之间的联系（注：也就是学习的训练集包含输入和输出，得到了最优参数模型之后 ，新来的数据集在面对只有特征没有标签的情况下时，可以判断出标签）
无监督学习：训练数据中只有特征没有标签，输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类。（注：不一定"分类"，没有训练集，旨在寻找规律性，不予以某种预先分类标签对上号为目的）
区别：
1>有无标签
2>分类，聚类（注：有监督机器学习的核心是分类，分类的同时定性，即分类分好了，标签也同时贴好了。无监督机器学习属于先聚类后定性，有点类似于批处理。只要知道如何计算相似度就可以开始工作。它的核心是聚类）
3>同维和降维（注：有监督学习通常输入是n维，特征也经常必须是n维。因此无法降维，而无监督经常要参与深度学习，做特征提取，或者干脆采用层聚类或者项聚类，以减少数据特征的维度）
4>是否独立（注：不管训练样本（有监督），还是待分类的数据（无监督），并不是所有数据都是相互独立分布的。或者说，数据和数据的分布之间存在联系。作为训练样本，大的偏移很可能会给分类器带来很大的噪声，而对于无监督，情况就会好很多。可见，独立分布数据更适合有监督，非独立数据更适合无监督。）
5>不透明，可解释 性（注：有监督算法的分类原因是不具有可解释性的，或者说，是不透明的，因为这些规则都是通过人为建模得出，及其并不能自行产生规则。所以，对于像反洗钱这种需要明确规则的场景，就很难应用。而无监督的聚类方式通常是有很好的解释性的，你问无监督，为什么把他们分成一类？无监督会告诉你，他们有多少特征有多少的一致性，所以才被聚成一组。）
6>扩展性（注：DataVisor开发的无监督算法，具有极强的扩展性，无论多加的这一维数据的权重有多高，都不影响原来的结果输出）
如何选择：
