简单科普什么是机器学习

机器学习作为人工智能（AI）的一个子集，主流范式通常概括为三大类，那就是有监督学习、无监督学习及强化学习。细分的话行业里还有半监督学习、自监督学习、迁移学习等分支，感兴趣可自行了解…

机器学习核心定义

让计算机从数据中自动学习规律，并用规律预测未知或做出决策的技术。

机器学习分类（以《王者荣耀》为例）

1. 有监督学习 （Supervised Learning）

• 核心机制： “带标签的训练” —— 输入数据时，同时提供“正确答案”。

• 王者荣耀例子：

  • 任务：分类 （Classification）

    • 目标： AI 实时识别小地图上的敌方英雄是谁。
    • 训练： 喂给 AI 大量小地图截图，每张图都标注了“这是鲁班七号”、“那是安琪拉”。
    • 结果： AI 学会看小地图上的移动轨迹、技能特效等特征，能预测新截图里的英雄身份。

  • 任务：回归 （Regression）

    • 目标： AI 预测玩家下一步最可能使用的召唤师技能（闪现/净化/斩杀）。
    • 训练： 记录大量玩家对战片段，每个片段（血量、位置、敌人状态等）都标注了玩家实际使用的技能。
    • 结果： AI 分析状态，能预测在当前局面下，玩家用闪现的概率是 70%，用净化的概率是 30%。

• 关键特征： 依赖标注数据（正确答案），学习输入 -> 输出的映射。

2. 无监督学习 （Unsupervised Learning）

• 核心机制： “无标签的探索” —— 只给数据，让 AI 自己找结构或分组。

• 王者荣耀例子：

  • 任务：聚类 （Clustering）

    • 目标： 自动给玩家分行为类型（如“野王”、“射手”、“辅助”、“混子”）。

    • 训练： 喂给 AI 大量匿名玩家数据（KDA、参团率、经济、常用位置、英雄池等），不告诉 AI 该分几类或怎么分。

    • 结果： AI 根据数据相似性自动分组，比如：

      • 组 1： 高 KDA、高经济、主玩刺客/战士 -> “野王/战边”
      • 组 2： 高参团、低 KDA、主玩软辅 -> “功能辅助”
      • 组 3： 低参团、低输出、死亡率高 -> “混子”

  • 任务：降维 （Dimensionality Reduction）

    • 目标： 简化复杂的战局评估（几十个因素：经济差、兵线、状态、技能 CD 等）。
    • 训练： 喂给 AI 大量历史对局数据（包含所有复杂因素）。
    • 结果： AI 提炼出最关键的几个核心指标（如“经济压制指数”、“兵线压力值”、“关键技能可用度”），用这几个指标就能代表大部分战局信息，辅助决策。

• 关键特征： 无标注数据，目标是发现数据内在模式（分组、简化）。

3. 强化学习 （Reinforcement Learning）

• 核心机制： “在奖励中试错” —— AI 在环境中不断尝试，根据结果好坏（奖励/惩罚）调整策略。

• 王者荣耀例子：

  • 目标： 训练一个能自主对战的 AI（比如“绝悟人机”）。

  • 过程：

    1. AI （智能体）： 控制一个英雄。

    2. 环境： 游戏本身（地图、敌人、小兵、防御塔）。

    3. 状态： 当前游戏情况（位置、血量、经济、敌人位置等）。

    4. 动作： AI 可以做的操作（移动、攻击、放技能、回家）。

    5. 奖励 （核心！）： 环境对 AI 动作的反馈：

       • 正奖励（激励）： 击杀小兵（+1）、击杀英雄（+10）、推塔（+50）、赢比赛（+1000）。
       • 负奖励（惩罚）： 被击杀（-10）、丢塔（-30）、输比赛（-1000）。

    6. 学习： AI 不断尝试动作。如果动作带来高奖励（比如成功蹲草击杀），它就记住这个状态下的好动作；如果带来低奖励（比如莽撞送人头），它就避免下次再做。目标是最大化长期总奖励（赢比赛）。

  • 结果： 经过海量自我对战（试错），AI 学会复杂策略：发育、Gank、团战、带线、守家，最终达到顶尖水平，等级越高说明尝试次数越高。

• 关键特征： 智能体与环境交互，通过奖励信号自我评价，学习最优决策策略。

一句话总结：

• 有监督学习： “看答案学习” —— 像教 AI 认英雄、猜技能，靠标注数据训练。
• 无监督学习： “自己找规律” —— 像让 AI 自动给玩家分群、简化战局，靠数据内在结构。
• 强化学习： “在奖励中成长” —— 像训练“绝悟”AI 自己打比赛，靠赢/杀/推塔的奖励不断试错变强。