一、一表总览

二、展开说明

1. 监督学习

典型算法

• 逻辑回归：经典二分类算法，通过 sigmoid 函数将输出映射到 0-1 区间，判断类别归属。
• 卷积神经网络（CNN）：专为网格结构数据（图像、视频）设计，通过卷积层提取空间特征。

典型应用场景

• 图像分类：如识别照片中的物体（猫 / 狗）、医学影像中的肿瘤检测，训练数据为 “图像 + 类别标签”。
• 房价预测：输入房屋面积、地段、户型等特征，输出预测房价，属于回归类监督学习任务。

2. 无监督学习

典型算法

• K-Means 聚类：基于距离将数据划分为 K 个簇，同一簇内数据相似度高，不同簇相似度低。
• 主成分分析（PCA）：通过线性变换将高维数据映射到低维空间，保留数据的主要方差，实现降维。

典型应用场景

• 用户分群：电商平台根据用户的购买记录、浏览行为，将用户划分为不同群体，用于个性化推荐，无需标注用户类别。
• 异常检测：如信用卡欺诈识别，正常交易数据会形成密集簇，偏离簇的异常交易即为可疑欺诈行为。

3. 半监督学习

典型算法

• 标签传播算法（Label Propagation）：基于图模型，将标注数据的标签通过数据间的相似度传播到无标注数据上。
• 半监督支持向量机（S3VM）：在传统 SVM 基础上，对无标注数据优化分类超平面，使超平面穿过数据分布的低密度区域。

典型应用场景

• 文本分类：如新闻分类任务，仅标注少量新闻样本（如 “体育”“财经”），利用大量未标注新闻提升模型分类效果。
• 工业缺陷检测：生产线中缺陷产品数量少、标注成本高，用少量标注缺陷样本 + 大量正常样本训练，实现缺陷识别。

4. 强化学习

典型算法

• Q-Learning：基于价值的算法，学习动作价值函数 Q (s,a)，表示在状态 s 下执行动作 a 的预期累计奖励。
• 深度强化学习（DQN）：将 Q-Learning 与深度学习结合，用神经网络拟合价值函数，适用于高维状态空间。

典型应用场景

• 游戏 AI：如 AlphaGo 下围棋、AI 玩 Atari 游戏，智能体通过不断落子 / 操作，根据最终胜负获得奖励，优化策略。
• 药物分子生成：分子是通过一个一个原子生长而来，通过强化信号来指引