监督学习半监督学习无监督学习强化学习

先放结论

类型	数据需求	学习方式	典型任务
监督学习	大量带标签数据	从输入到输出的映射	分类、回归
半监督学习	少量标签+大量无标签数据	结合标签与数据分布	分类（标签不足场景）
无监督学习	完全无标签数据	发现数据内在结构	聚类、降维
强化学习	无需固定数据集	环境交互与奖励反馈	序列决策、控制任务

监督学习（Supervised Learning）

带标签的数据（输入-输出对）进行训练，模型学习输入到输出的映射关系

优点：任务明确，效果通常较好。
缺点：依赖大量高质量标签数据，成本高。

半监督学习（Semi-Supervised Learning）

核心特点：结合少量带标签数据和大量无标签数据进行训练。
目标：利用无标签数据提升模型性能，解决标注数据不足的问题。

优点：降低对标签数据的依赖，提升模型泛化能力。
缺点：伪标签可能引入噪声，需谨慎处理。

无监督学习（Unsupervised Learning）

核心特点：完全使用无标签数据，模型自行发现数据中的结构或模式。
目标：探索数据内在关系，如聚类、降维或关联分析

优点：无需标注数据，适合探索性分析。
缺点：结果可能难以解释，任务目标较模糊。

强化学习（Reinforcement Learning, RL）

核心特点：通过与环境交互学习策略，以最大化累积奖励。
目标：训练智能体（Agent）在动态环境中做出最优决策。

通过正反馈和负反馈调整学习策略

强化学习更关注长期累积奖励，而非单步的“满足目标”，追求的是全局最优解。

强化学习通常假设环境满足马尔可夫性（当前状态包含所有历史信息），这是理论建模的基础。

目标通常被量化为奖励函数（Reward Function），而不仅仅是简单的“满足/不满足”。

强化学习中不一定显式定义惩罚，惩罚可以通过“负奖励”（如奖励值为负数）实现。

某些场景中，环境可能不直接给出惩罚，而是通过“未获得奖励”间接反馈

策略调整依赖于价值函数（Value Function）或策略梯度（Policy Gradient）

核心要素：

状态（State）：环境的当前情况。
动作（Action）：智能体的行为。
奖励（Reward）：环境对动作的反馈。

策略（Policy）：定义智能体在特定状态下选择动作的规则，可以是确定性的或概率性的

价值函数（Value Function）：评估状态或动作的长期价值

迷宫导航：

目标：找到出口。
奖励：到达出口+10，每一步消耗-1（鼓励快速找到出口）。
策略调整：智能体通过Q-learning更新动作价值，最终学会最短路径。

AlphaGo：

目标：赢棋。
奖励：胜利+1，失败-1，无中间奖励。
策略调整：通过自我对弈（Self-play）和蒙特卡洛树搜索（MCTS）优化策略。

机器人行走：

目标：稳定移动。
奖励：前进速度+0.1，摔倒-10。
策略调整：使用PPO算法优化动作策略

强化学习的本质是在动态环境中通过试错和反馈学习最优决策策略