我通过使用聚类算法获得了机器学习的简要经验，我还阅读了简单分类算法的基本思想和计算。现在，我会阅读更多关于“机器学习”的内容，我发现了许多类似的定义，如下所示：
“机器学习是让计算机在没有明确编程的情况下采取行动的科学......”
“机器学习是一种人工智能 (AI)，它允许软件应用程序在预测结果方面变得更加准确，而无需明确编程......”
我的理解是，无需重新编程即可学习和适应演绎（输出）的能力是主要思想，并且根据我个人的理解，这种“适应”只有通过“监督算法”才能实现，并且可以允许改变/使用相同的程序和源代码对输出模型进行适配/改进。
所以再次根据我的理解，这种“适应”和“学习”的定义不适合无监督的机器学习算法，因为所有计算的模型都是固定和实现的！任何更改都需要更新源代码！
因此，我将对我的误解进行更正，并进行更多澄清，以更好地理解“机器学习”和无监督/监督学习关系。
你说：
并且根据我个人的理解，这种“适应”只有通过“监督算法”才能实现
然而，事实并非如此。让我们将聚类方法视为一种无监督算法，如 K-means。K-means 算法中的每次迭代都是 K-means 下一次迭代直至算法收敛的基础。因此，这意味着我们正在学习每次迭代中的数据结构，直至达到特定的目标值。尽管它是无监督的，但我们在每次迭代中都在学习数据的结构。事实上，它完全是一种（无监督的）学习。
监督学习是指从示例中学习一个概念。这些示例通常需要人工完成，这通常是“昂贵的”。事实上，实际 ML 工作的很大一部分是想出获取训练数据的智能方法（例如 reCaptcha）。
无监督学习是在没有标记数据的情况下进行学习，仅此而已。集群是一个例子，PCA 是另一个例子，自动编码是最新最热门的东西（恕我直言）。在某种意义上，无监督学习试图压缩数据（通过沿着数据排序的线或流形查找高维表示的子空间）：您正在尝试制定在更高级别上描述数据的概念，这涉及找到更智能的描述。
它可能与 K-means 相比有些飞跃，但请考虑一下：我可以使用一组抽象来轻松地向您描述一张照片（fi：我看到一只带骨头的狗 -> 23 字节）。这将为您提供场景图片，而无需我向您发送完整的数据集（fi：1080 * 768 点 ~ 10^6 字节）。从概念上讲，这有点类似于：集群 1 的 4 个示例和集群 4 的一个示例，而不是发送 5 个完整实例，例如 10.000 个特征。