当前位置：首页 > news >正文

机器学习之三大学习范式：监督学习、无监督学习、强化学习

news 2025/10/1 7:47:58

昨天，DeepSeek正式发布 DeepSeek-V3.2-Exp 模型，V3.2-Exp 在 V3.1-Terminus 的基础上引入了 DeepSeek Sparse Attention（一种稀疏注意力机制），针对长文本的训练和推理效率进行了探索性的优化和验证。在几乎不影响模型输出效果的前提下，实现了长文本训练和推理效率的大幅提升。简单来讲，就是所需求GPU资源变少，API降价了。

AI的飞速发展给我们带来了各种便利，作为程序员，我们也来了解一下AI是如何学会人类知识的，今天主要给大家分享一下机器学习之三大学习范式：监督学习、无监督学习、强化学习。

机器学习三大范式：用“教孩子”来通俗理解

我想可以想像，机器学习就是让计算机“学习”如何完成一项任务，为了便于大家理解，我们用“教孩子”作比喻。

学习方式	核心比喻	关键词	典型任务
监督学习	有标准答案的辅导班	标注、答案、预测	分类（猫狗识别）、回归（预测房价）
无监督学习	自己归纳总结的探索课	模式、结构、分组	聚类（客户分群）、降维（数据可视化）
强化学习	在游戏中摸索的试错法	试错、奖励、策略	围棋AI、机器人控制、自动驾驶

1. 监督学习：就像“有标准答案的辅导班”

核心思想： 我给你大量的“练习题”（数据）和每道题的“标准答案”（标签），你通过学习找出“题目”和“答案”之间的关系。以后我给你一道新题，你就能给出答案。

通俗比喻：
你想教一个孩子识别动物。
1. 准备学习材料：你给他看无数张图片，并且每张图片都标注好了这是什么动物：“这是猫”、“这是狗”、“这是兔子”。
2. 学习过程：孩子通过观察这些带标签的图片，自己总结规律：哦，有胡须、尖耳朵、尾巴长的是猫；吐舌头、体型较大的是狗。
3. 应用/预测：现在你给他看一张全新的动物图片（比如一只猫），他就能根据之前学到的规律，预测出：“这是猫！”
机器学习中的例子：
- 垃圾邮件过滤：系统用很多已经标记为“垃圾邮件”和“正常邮件”的邮件进行训练，学会区分特征，然后自动判断新邮件是否是垃圾邮件。
- 房价预测：提供房屋的“面积”、“地段”、“卧室数量”（特征）和对应的“真实售价”（标签），让模型学习关系，从而预测新房子的价格。
关键点：学习数据是带有标签的。

2. 无监督学习：就像“自己归纳总结的探索课”

核心思想： 我不给你标准答案，只给你一大堆原始材料（数据），让你自己观察，自己去发现这些材料中隐藏的内在结构或相似性。

通俗比喻：
你给孩子一筐混合的、没有标签的积木（三角形、正方形、圆形等）。
1. 准备学习材料：只是一筐混在一起的积木，没有任何说明。
2. 学习过程：孩子不会知道这些积木叫什么名字，但他会自己动手，把形状相似的堆在一起：所有三角形的放一堆，所有正方形的放一堆，所有圆形的放一堆。他自己发现了数据中的模式。
3. 应用/发现：这个过程帮助他理解了这筐积木可以按形状分为3类。
机器学习中的例子：
- 客户分群：电商平台分析用户的购买行为，自动将用户分成“高价值客户”、“价格敏感型客户”、“新客户”等不同群体，以便进行精准营销。注意：算法自己完成分群，但我们事后需要去解读每个群体代表什么。
- 新闻主题聚类：系统自动将海量的新闻文章按照内容相似度进行分类，把讲体育的归为一类，讲财经的归为一类。
关键点：学习数据是没有标签的，目标是发现隐藏结构。

3. 强化学习：就像“在游戏中摸索的试错法”

核心思想： 让一个“智能体”在一个“环境”里行动。它做对了就给它“奖励”，做错了就给它“惩罚”或没有奖励。通过不断试错，它自己学会一套能获得最大奖励的“策略”。

通俗比喻：教孩子玩一个简单的迷宫游戏。
1. 设定环境与目标：孩子是“智能体”，迷宫是“环境”，走出迷宫是“最终目标”。
2. 试错过程：
  - 孩子向左走，撞墙了 -> 惩罚（比如游戏分数-1）。
  - 孩子向右走，道路通畅 -> 小额奖励（分数+1）。
  - 孩子最终成功走出迷宫 -> 巨大奖励（分数+100）！
3. 学习策略：孩子不需要你告诉他迷宫地图，他通过成千上万次的尝试，自己摸索出一条能获得最高总分的路径（即最佳策略）。
机器学习中的例子：
- AlphaGo下围棋：智能体（AlphaGo）与环境（棋盘）互动。每走一步棋，它都在评估局势。最终赢了（巨大奖励），它就“知道”之前的一系列走法是好的。
- 机器人行走：智能体（机器人）尝试移动双腿。摔倒则惩罚，成功前进则奖励。最终学会平稳行走的策略。
- 自动驾驶：智能体（自动驾驶系统）在模拟环境中驾驶。安全行驶奖励，撞车惩罚。从而学会驾驶策略。
关键点：通过与环境的交互和延迟奖励来学习最佳行为策略。

总结对比

方面	监督学习	无监督学习	强化学习
学习数据	带标签的数据集	无标签的数据集	无需初始数据，通过与环境交互产生数据
学习目标	学习“输入”到“输出”的映射关系，进行预测	发现数据内部的潜在结构（分组、降维等）	学习一套能获得长期最大回报的行动策略
过程	被动学习（从已标注的数据中学习）	主动探索（从无标注的数据中发现）	主动试错（在环境中尝试、获得反馈、调整）
反馈	直接、即时的（每个数据点都有正确答案）	无明确反馈	延迟的、基于奖励/惩罚的信号