中间核心

Learning → 学习

绿色三角形：Supervised（监督学习）

对应特点：

• Labeled data → 带标签的数据
• Direct feedback → 直接反馈
• Predict outcome/future → 预测结果 / 未来

橙色三角形：Unsupervised（无监督学习）

对应特点：

• No labels → 无标签
• No feedback → 无反馈
• “Find hidden structure” → “发现隐藏结构”

蓝色三角形：Reinforcement（强化学习）

对应特点：

• Decision process → 决策过程
• Reward system → 奖励机制
• Learn series of actions → 学习一系列动作

对应特点中：直接反馈和无反馈啥意思？

这两个 “反馈” 其实是指模型训练时有没有 “标准答案” 来告诉它 “做得对不对”：

• 监督学习的 “直接反馈”：因为数据是带标签的（相当于 “标准答案”），模型做完预测后，能直接和标签对比，立刻知道 “预测错了 / 对了”“错在哪里”。比如用 “猫的图片 +‘猫’标签” 训练模型：模型预测某张图是 “狗”，就能直接和标签 “猫” 对比，得到 “预测错误” 的反馈。

• 无监督学习的 “无反馈”：数据没有标签（没有 “标准答案”），模型是自己找数据里的规律（比如分组、找特征），但没人告诉它 “这么分组是对的 / 错的”。比如把一堆混合的水果图片分组：模型可能按 “颜色” 分成两堆，但没有标签说 “这堆必须是苹果、那堆必须是橘子”，所以没有明确的对错反馈。

实际场景举例：

监督学习（有直接反馈）的例子：公司的人脸识别打卡

• 训练阶段：系统里存了带标签的数据—— 每个员工的人脸照片，都对应 “张三”“李四” 的姓名标签（相当于标准答案）。
• 打卡时：你站在打卡机前，模型识别你的脸，预测 “这是张三”，然后立刻和系统里的标签对比 —— 如果你的标签确实是 “张三”，反馈就是 “正确，打卡成功”；如果模型认错成 “李四”，反馈就是 “错误，打卡失败”。→ 这就是 “直接反馈”：有明确的 “对 / 错” 结果告诉你。

无监督学习（无反馈）的例子：电商平台给用户分群

• 平台有一堆用户的消费数据（比如 “买了零食”“常逛数码区”“每月花 200 元”），但没有标签（没人告诉系统 “这些用户该分成‘吃货组’‘数码党’”）。
• 模型自己分析数据，把消费习惯像的用户分成几组：比如组 1 是 “高频买零食的用户”，组 2 是 “只买过一次的新用户”。
• 但这个分组没有 “标准答案”—— 没人会说 “组 1 必须叫‘吃货组’才对”，平台只是用这个分组去推对应的商品，不会有 “分组错误” 的反馈。→ 这就是 “无反馈”：没有明确的对错评价，只看分组有没有实际用处。

强化学习的例子：王者荣耀 AI 英雄的对局

• 智能体：游戏里的 AI 英雄；环境：对局战场
• 过程：
  1. AI 处于当前对局状态（比如 “自己剩半血、敌方射手在前方”）；
  2. AI 做决策动作（比如 “走位靠近敌方、释放技能”）；
  3. 环境（游戏）给奖励：如果技能命中敌方→加正奖励；如果被敌方反打扣血→加负奖励；
  4. AI 不会立刻知道 “这个动作对不对”，但会通过 “累计奖励多少” 调整后续动作 —— 慢慢学会 “先躲技能再输出” 这类能拿更多正奖励的操作。

三种学习的反馈方式对比（更清晰）：

• 监督学习：有 “标准答案”（标签），直接告诉你 “对 / 错”；
• 无监督学习：没标准答案，自己找规律，没明确反馈；
• 强化学习：没 “对 / 错”，只有 “奖励多少”，靠 “累计奖励” 调整动作。