有监督学习（Supervised Learning）

定义：输入数据是由输入特征值和目标值（标签）所组成，即输入的训练数据有标签的。

关键特点：有标签

例如用有监督学习来处理这个电影数据，核心是把它转化为分类任务—— 通过 “搞笑镜头、拥抱镜头、打斗镜头” 这些特征，预测 “电影类型”（喜剧片 / 动作片 / 爱情片）。

无监督学习（Unsupervised Learning）

定义：输入数据没有被标记，即样本数据类别未知，没有标签，根据样本间的相似性，对样本集聚类，以发现事物内部结构及相互关系。

关键特点：无标签

针对图片中不同职业的人物形象，无监督学习的核心是自动发现这些职业的内在聚类规律—— 无需人工标注 “职业类别”，仅通过人物的服饰、工具、姿态等特征，将相似的职业归为一类。

半监督学习（Semi-Supervised Learning）

让专家标注少量数据，利用已经标记的数据（也就是带有类标签）训练出一个模型。半监督学习方式可大幅降低标记成本。

关键特点：部分数据有标签，大部分数据无标签

相比纯有监督学习，它解决了"标记数据稀缺 / 标注成本高" 的问题（比如医疗影像、法律文本标注很贵），用大量免费的无标记数据提升模型效果。

强化学习（Reinforcement Learning）

像 “动物试错学习”—— 智能体（Agent）与环境（Environment）交互，通过 “奖励”（如游戏得分）或 “惩罚”（如碰撞）反馈，学习最优决策策略（最大化累积奖励）。

关键特点：无显式标签，强调 “交互” 和 “试错”，学习过程是动态的（环境可能变化）。

关键区别

标签依赖：有监督（全标签）→ 半监督（部分标签）→ 无监督（无标签）→ 强化学习（无标签，靠奖励）。

学习目标：预测（有监督 / 半监督）→ 发现结构（无监督）→ 决策优化（强化学习）。

表格总结