如果要对硬币进行分类，我们对硬币根据不同的尺寸重量来告诉机器它是多少面值的硬币 这种对应的机器学习即使监督学习，那么如果我们不告诉机器这是多少面额的硬币，只有尺寸和重量，这时候让机器进行分类，希望机器对不同种类的硬币分类，这种机器学习方式就是无监督学习。可以从下图看出，监督学习，根据颜色（面值）可以得出不同种类，而无监督学习也可根据所样例在的不同区域对样例进行分类。
根据聚类分组clustering: {xn} -> cluster(x)
根据密度分组density estimation{Xn}->density(x)
根据离群值分组outlier detection{Xn}-> unusual(x)
是否告诉机器硬币的面额，可以分类为监督学习，半监督学习，无监督学习（告知硬币面额的用彩色标出，未告知的用蓝色标出）
总结一下学习模式的区别
第二个例子：罐子取弹珠问题
现在假设一个罐子里有n个弹珠，分别是绿色与橙色，那么如何得出取绿色（橙色）的概率，现在设真实概率橙色为μ，而我们目前假设从中取出一部分弹珠，得出的橙色概率为v,那么我要做的就是让v和μ尽可能的接近，
这里引出新的算法 PAC：可能近似正确（probably approximately correct，PAC）学习模型
假定数据按照某概率分布P从X中随机产生，一般，D可为任意分布，并且它对学习型算法是 未知的。对于P，所要求的是它的 稳定性，即该分布不会随时间变化（不然我们就没有学习的意义了）。训练数据的由P分布随机抽取而产生x，然后x及其目标值（可以理解为y，标签）被提供给学习器
学习器在学习目标函数时考虑可能假设的集合H。
在观察了一系列训练数据后，学习器需要从假设集合H中得到最终的假设g，这是对未知的符合D分布的理想模型f的估计。
最后，我们通过精心挑选出来的假设g对X中新的数据的性能来评估训练器。
学习器在学习目标函数时考虑可能假设的集合H。
在观察了一系列训练数据后，学习器需要从假设集合H中得到最终的假设g，这是对未知的符合D分布的理想模型f的估计。
最后，我们通过精心挑选出来的假设g对X中新的数据的性能来评估训练器。
学习过程如下图所示：
Eout用来描述h和f在整个罐子里一不一样，相当于μ,表示外部样本错误率，
Ein用来描述在资料上h和f的相似度，相当于v，表示资料样本错误率
f和P都是未知的
通过Ein推论出的Eout就是算法的目的，当Ein足够小的时候，Eout也是很小的 则h与f很接近（当资料继续从P产生）
以上是PAC 的算法思想……
