No Aprendizado supervisionado, para cada sequência de entrada, é dada uma saída desejada, e o objetivo da máquina é aprender a produzir a saída correta para novas entradas, que não fizeram parte de seu conjunto de treinamento.

No Aprendizado não supervisionado, para cada sequência de entrada, é dada uma saída desejada, e o objetivo da máquina é aprender a produzir a saída correta para novas entradas, que não fizeram parte de seu conjunto de treinamento.

No Aprendizado não supervisionado, a máquina recebe um conjunto de entradas, mas nenhum conjunto de saída correspondente, e cabe á máquinas encontrar padrões e semelhanças entre os dados, e assim a partir desses padrões gerar novas saídas corretas

No Aprendizado supervisionado, a máquina recebe um conjunto de entradas, mas nenhum conjunto de saída correspondente, e cabe á máquinas encontrar padrões e semelhanças entre os dados, e assim a partir desses padrões gerar novas saídas corretas

A "Clusterização" ocorre através de iteração (Iteração é o processo chamado na programação de repetição de uma ou mais ações) ou seja uma sequência de passos em que se busca agrupar os dados de forma que esses agrupamentos chamados clusters façam sentido.

A generalização consiste n a capacidade de definir, de forma precisa, classes de saída para entradas que não fazem parte do conjunto de treinamento.

Alternativas para auxiliar a minimizar o erro na generalização do aprendizado de maquina são hipótese mais genérica e a hipótese mais específica.

A árvore de decisão é um dos métodos de aprendizado mais utilizado na prática, sendo recomendada para a aplicações de mineração de dados.

Uma árvore de decisão utiliza a estratégia de divisão e conquista, em que um problema mais complexo é dividido em problemas mais simples, que são resolvidos de forma recursiva.

o principal interesse do aprendizado não supervisionado é desvendar a organização de padrões existentes nos dados, através de agrupamentos (clusters) consistentes, permitindo a descoberta de semelhanças e diferenças entre esses padrões, derivando conclusões úteis a respeito de deles.

Um dos algoritmos mais conhecidos para realizar agrupamentos de dados é o algoritmos K-médias

o algoritmos K-médias pode ser utilizado para segmentação se imagens em regiões distintas, pois funciona de forma mais automática do que uma operação de limiarização.