监督（supervised）=标签（label），是否有监督，就是输入数据（input）是否有标签，有标签则为有监督学习，没标签则为无监督学习。至于半监督学习，就是一半（一点点）数据有标签，一半（极其巨大）数据没标签。——简单一句话答案（正经回答在最后）。
首先从学习（learn）这个概念开始解释，所谓学习，就是闻一知十。
例如学数学，小学老师会先给大量训练，让人学会解题方法。之后面对考试的时候出现的绝对不同的题目，也能回答。机器学习也是一样，我们能不能用已经做过的题，来推断没做过的题呢？
有监督学习可以理解成已经打了标签（有答案）的数学题目，无监督学习就是没有答案的题目。
举例个简单的例子说明：
有监督学习：1 X 1 + 1 = ?
AI： 等于 1 ？
有监督学习：错！ 等于2 ！记住！
（AI调整中）
第二次：
有监督学习：1 X 1 + 1 = ?
AI： 等于 2 ！
无监督学习：1 X 1 + 1 = ?
AI： 等于 1 ？
无监督学习：3 X 4 + 8 =?
AI： 等于 0 ？
。。。。。。。。。
AI：我发现了，数学题都是先乘法后加法！
半监督学习：1 X 1 + 1 = ?
AI： 等于 1 ？
半监督学习：错！ 等于2 ！记住！
（AI调整中）
第二次：
半监督学习：1 X 1 + 1 = ?
AI： 等于 2 ！
半监督学习：恭喜你学会了，现在 3 X 4 + 8 = ?
AI： 等于 2 ！
半监督学习：好的，我帮你标签（lable）一下，3 X 4 + 8 = 2
正经回答：
a) 监督学习是最常见的一种机器学习，它的训练数据是有标签的，训练目标是能够给新数据（测试数据）以正确的标签。
例如，想让AI知道什么是猫什么是狗，一开始我们先将一些猫的图片和狗的图片（带标签）一起进行训练，学习模型不断捕捉这些图片与标签间的联系进行自我调整和完善，然后我们给一些不带标签的新图片，让该AI来猜猜这些图片是猫还是狗。
经典的算法：分类算法
b) 无监督学习常常被用于数据挖掘，用于在大量无标签数据中发现些什么。它的训练数据是无标签的，训练目标是能对观察值进行分类或者区分等。相对于监督学习，无监督学习使用的是没有标签的数据。机器会主动学习数据的特征，并将它们分为若干类别，相当于形成「未知的标签」。
例如无监督学习应该能在不给任何额外提示的情况下，仅依据所有“猫”的图片的特征，将“猫”的图片从大量的各种各样的图片中将区分出来。
经典的算法：聚类算法
c)半监督学习介于两者之间。隐藏在半监督学习下的基本规律在于：数据的分布必然不是完全随机的，通过一些有标签数据的局部特征，以及更多没标签数据的整体分布，就可以得到可以接受甚至是非常好的分类结果。（此处大量忽略细节）
例如：很多实际问题中，只有少量的带有标记的数据，因为对数据进行标记的代价有时很高。比如找到照片并给照片上的猫标上标签（lable）很麻烦，但是猫的各种姿势的猫片网上一搜一大堆。那我们能不能手动标记一部分猫片，然后让AI学习训练，然后再剩下没标记的猫片上做实验呢？
经典算法：太多不举例了
参考文献： [1] 吴恩达在Coursera上的机器学习课程。 [2]西瓜书 [3]知乎和CSDN各种回答
