第 4 期 | 机器学习体系总览：监督、无监督与强化学习的工业映射
面对机器学习庞杂的算法丛林，工业工程师最容易犯两种错误：盲目追新（所有问题都用深度学习）与以偏概全（只会用回归）。建立正确的"范式-任务"映射坐标系，是工业 AI 选型的第一课。本期系统梳理三大学习范式的工业定位，并给出选型决策框架。
一、三大范式的本质区别 🧭
#mermaid-svg-kyr0l9lxIn60ATRl{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kyr0l9lxIn60ATRl .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kyr0l9lxIn60ATRl .error-icon{fill:#552222;}#mermaid-svg-kyr0l9lxIn60ATRl .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kyr0l9lxIn60ATRl .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kyr0l9lxIn60ATRl .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kyr0l9lxIn60ATRl .marker.cross{stroke:#333333;}#mermaid-svg-kyr0l9lxIn60ATRl svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kyr0l9lxIn60ATRl p{margin:0;}#mermaid-svg-kyr0l9lxIn60ATRl .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-kyr0l9lxIn60ATRl .cluster-label text{fill:#333;}#mermaid-svg-kyr0l9lxIn60ATRl .cluster-label span{color:#333;}#mermaid-svg-kyr0l9lxIn60ATRl .cluster-label span p{background-color:transparent;}#mermaid-svg-kyr0l9lxIn60ATRl .label text,#mermaid-svg-kyr0l9lxIn60ATRl span{fill:#333;color:#333;}#mermaid-svg-kyr0l9lxIn60ATRl .node rect,#mermaid-svg-kyr0l9lxIn60ATRl .node circle,#mermaid-svg-kyr0l9lxIn60ATRl .node ellipse,#mermaid-svg-kyr0l9lxIn60ATRl .node polygon,#mermaid-svg-kyr0l9lxIn60ATRl .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kyr0l9lxIn60ATRl .rough-node .label text,#mermaid-svg-kyr0l9lxIn60ATRl .node .label text,#mermaid-svg-kyr0l9lxIn60ATRl .image-shape .label,#mermaid-svg-kyr0l9lxIn60ATRl .icon-shape .label{text-anchor:middle;}#mermaid-svg-kyr0l9lxIn60ATRl .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-kyr0l9lxIn60ATRl .rough-node .label,#mermaid-svg-kyr0l9lxIn60ATRl .node .label,#mermaid-svg-kyr0l9lxIn60ATRl .image-shape .label,#mermaid-svg-kyr0l9lxIn60ATRl .icon-shape .label{text-align:center;}#mermaid-svg-kyr0l9lxIn60ATRl .node.clickable{cursor:pointer;}#mermaid-svg-kyr0l9lxIn60ATRl .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-kyr0l9lxIn60ATRl .arrowheadPath{fill:#333333;}#mermaid-svg-kyr0l9lxIn60ATRl .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kyr0l9lxIn60ATRl .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kyr0l9lxIn60ATRl .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kyr0l9lxIn60ATRl .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-kyr0l9lxIn60ATRl .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kyr0l9lxIn60ATRl .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-kyr0l9lxIn60ATRl .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kyr0l9lxIn60ATRl .cluster text{fill:#333;}#mermaid-svg-kyr0l9lxIn60ATRl .cluster span{color:#333;}#mermaid-svg-kyr0l9lxIn60ATRl div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kyr0l9lxIn60ATRl .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-kyr0l9lxIn60ATRl rect.text{fill:none;stroke-width:0;}#mermaid-svg-kyr0l9lxIn60ATRl .icon-shape,#mermaid-svg-kyr0l9lxIn60ATRl .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kyr0l9lxIn60ATRl .icon-shape p,#mermaid-svg-kyr0l9lxIn60ATRl .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-kyr0l9lxIn60ATRl .icon-shape .label rect,#mermaid-svg-kyr0l9lxIn60ATRl .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kyr0l9lxIn60ATRl .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-kyr0l9lxIn60ATRl .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-kyr0l9lxIn60ATRl :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 机器学习三大范式
监督学习 Supervised
有标签: 学输入→输出映射
工业定位: 预测与诊断主力
无监督学习 Unsupervised
无标签: 学数据结构
工业定位: 探索与异常发现
强化学习 Reinforcement
有奖励: 学序贯决策策略
工业定位: 控制与优化前沿
三者的根本区别在于监督信号的形式：标签（监督）、无信号（无监督）、延迟奖励（强化）。这个区别决定了它们各自适配的工业问题类型。
二、监督学习：工业 AI 的主力军团 🎯
监督学习要求"输入特征 X + 目标标签 y"的成对数据，学习映射 f: X→y。工业中的两大任务家族：
回归任务（连续目标）
| 工业任务 | 输入 X | 标签 y | 常用算法 |
|---|---|---|---|
| 炉温/成分预测 | 过程变量时窗 | Si、S 化验值 | GBDT、LSTM |
| 能耗预测 | 负荷、原料参数 | 煤气耗量、电耗 | 随机森林 |
| 剩余寿命估计 | 振动、温度特征 | RUL | 生存分析、XGBoost |
分类任务（离散目标）
| 工业任务 | 输入 X | 标签 y | 常用算法 |
|---|---|---|---|
| 炉况模式识别 | 温度带/压力特征 | 顺行/管道/悬料 | XGBoost、SVM |
| 缺陷判定 | 图像特征 | 合格/缺陷类别 | CNN |
| 故障类型诊断 | 多传感器特征 | 故障模式 | 随机森林 |
监督学习的工业前提：标签必须可靠。工业标签的两大陷阱------化验时间戳错位（回归标签）、故障起止模糊（分类标签）------在第 3 期"语义依赖"中已论及，标签治理优先于算法优化。
三、无监督学习：黑暗中的探照灯 🔦
无监督学习不依赖标签，从数据结构本身发现规律，工业中的四大用途：
#mermaid-svg-8ap87bM7lWyzz9Yd{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-8ap87bM7lWyzz9Yd .error-icon{fill:#552222;}#mermaid-svg-8ap87bM7lWyzz9Yd .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-8ap87bM7lWyzz9Yd .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-8ap87bM7lWyzz9Yd .marker{fill:#333333;stroke:#333333;}#mermaid-svg-8ap87bM7lWyzz9Yd .marker.cross{stroke:#333333;}#mermaid-svg-8ap87bM7lWyzz9Yd svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-8ap87bM7lWyzz9Yd p{margin:0;}#mermaid-svg-8ap87bM7lWyzz9Yd .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster-label text{fill:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster-label span{color:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster-label span p{background-color:transparent;}#mermaid-svg-8ap87bM7lWyzz9Yd .label text,#mermaid-svg-8ap87bM7lWyzz9Yd span{fill:#333;color:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd .node rect,#mermaid-svg-8ap87bM7lWyzz9Yd .node circle,#mermaid-svg-8ap87bM7lWyzz9Yd .node ellipse,#mermaid-svg-8ap87bM7lWyzz9Yd .node polygon,#mermaid-svg-8ap87bM7lWyzz9Yd .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-8ap87bM7lWyzz9Yd .rough-node .label text,#mermaid-svg-8ap87bM7lWyzz9Yd .node .label text,#mermaid-svg-8ap87bM7lWyzz9Yd .image-shape .label,#mermaid-svg-8ap87bM7lWyzz9Yd .icon-shape .label{text-anchor:middle;}#mermaid-svg-8ap87bM7lWyzz9Yd .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-8ap87bM7lWyzz9Yd .rough-node .label,#mermaid-svg-8ap87bM7lWyzz9Yd .node .label,#mermaid-svg-8ap87bM7lWyzz9Yd .image-shape .label,#mermaid-svg-8ap87bM7lWyzz9Yd .icon-shape .label{text-align:center;}#mermaid-svg-8ap87bM7lWyzz9Yd .node.clickable{cursor:pointer;}#mermaid-svg-8ap87bM7lWyzz9Yd .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-8ap87bM7lWyzz9Yd .arrowheadPath{fill:#333333;}#mermaid-svg-8ap87bM7lWyzz9Yd .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-8ap87bM7lWyzz9Yd .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-8ap87bM7lWyzz9Yd .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8ap87bM7lWyzz9Yd .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-8ap87bM7lWyzz9Yd .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8ap87bM7lWyzz9Yd .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster text{fill:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd .cluster span{color:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-8ap87bM7lWyzz9Yd .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-8ap87bM7lWyzz9Yd rect.text{fill:none;stroke-width:0;}#mermaid-svg-8ap87bM7lWyzz9Yd .icon-shape,#mermaid-svg-8ap87bM7lWyzz9Yd .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8ap87bM7lWyzz9Yd .icon-shape p,#mermaid-svg-8ap87bM7lWyzz9Yd .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-8ap87bM7lWyzz9Yd .icon-shape .label rect,#mermaid-svg-8ap87bM7lWyzz9Yd .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8ap87bM7lWyzz9Yd .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-8ap87bM7lWyzz9Yd .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-8ap87bM7lWyzz9Yd :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 无监督学习工业四用
聚类 Clustering
工况模式划分
KMeans/GMM/DBSCAN
降维 Dimensionality
高维变量压缩可视化
PCA/t-SNE/UMAP
异常检测 Anomaly
偏离正常模式的样本
IsolationForest/自编码器
表征学习 Representation
自监督预训练
为下游任务供特征
典型工业场景：
- 工况聚类：将高炉历史运行数据聚为 5~8 个典型工况簇，实现"分工况建模"------每个簇内训练的局部模型精度显著优于全局模型；
- 异常检测：在故障标签缺失的现实下（第 3 期特性 5），用"偏离正常流形"作为早期预警信号，是工业诊断的主力路线（第 12 期专述）；
- 降维可视化：将 2000+ 测点压缩到 2~3 维绘制"炉况地图"，辅助专家直观判断工况演变轨迹。
四、强化学习：谨慎对待的前沿 🎮
强化学习（RL）通过与环境交互、以奖励信号学习序贯决策策略，理论上最契合工业控制问题（操作=动作、工况=状态、效益=奖励）。但工业 RL 面临三重现实约束：
| 约束 | 说明 | 缓解路径 |
|---|---|---|
| 试错成本 | 探索动作可能造成事故 | 仿真环境预训练（数字孪生） |
| 奖励设计 | 多目标、长延迟奖励难定义 | 分层奖励+机理塑形 |
| 样本效率 | 真实交互数据昂贵 | 离线 RL、模型基 RL |
理性定位 ：RL 在工业的应用顺序应是------先在仿真器（数字孪生）中验证策略、再迁移为"操作建议"供人确认、最后才是受限闭环。当前阶段，RL 更现实的产出是"离线策略评估与参数寻优"，而非直接控制（专栏十一将系统展开）。
五、半监督与自监督：中间地带的利器 🌗
工业场景常见"大量无标签数据 + 少量有标签数据"的格局，两类中间范式因此重要：
- 半监督学习：用少量标注 + 大量未标注数据联合训练。典型场景：表面缺陷检测中，人工精标 500 张 + 未标注 5 万张，通过伪标签迭代扩充训练集；
- 自监督学习：设计前置任务（如时序掩码重建）从无标签数据学习通用表征，再微调至下游任务。这是工业大模型（第 16 期）的技术基础。
六、范式选型决策框架 🌳
#mermaid-svg-6vXCoESMNWjByhfW{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-6vXCoESMNWjByhfW .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-6vXCoESMNWjByhfW .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-6vXCoESMNWjByhfW .error-icon{fill:#552222;}#mermaid-svg-6vXCoESMNWjByhfW .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-6vXCoESMNWjByhfW .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-6vXCoESMNWjByhfW .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-6vXCoESMNWjByhfW .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-6vXCoESMNWjByhfW .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-6vXCoESMNWjByhfW .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-6vXCoESMNWjByhfW .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-6vXCoESMNWjByhfW .marker{fill:#333333;stroke:#333333;}#mermaid-svg-6vXCoESMNWjByhfW .marker.cross{stroke:#333333;}#mermaid-svg-6vXCoESMNWjByhfW svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-6vXCoESMNWjByhfW p{margin:0;}#mermaid-svg-6vXCoESMNWjByhfW .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-6vXCoESMNWjByhfW .cluster-label text{fill:#333;}#mermaid-svg-6vXCoESMNWjByhfW .cluster-label span{color:#333;}#mermaid-svg-6vXCoESMNWjByhfW .cluster-label span p{background-color:transparent;}#mermaid-svg-6vXCoESMNWjByhfW .label text,#mermaid-svg-6vXCoESMNWjByhfW span{fill:#333;color:#333;}#mermaid-svg-6vXCoESMNWjByhfW .node rect,#mermaid-svg-6vXCoESMNWjByhfW .node circle,#mermaid-svg-6vXCoESMNWjByhfW .node ellipse,#mermaid-svg-6vXCoESMNWjByhfW .node polygon,#mermaid-svg-6vXCoESMNWjByhfW .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-6vXCoESMNWjByhfW .rough-node .label text,#mermaid-svg-6vXCoESMNWjByhfW .node .label text,#mermaid-svg-6vXCoESMNWjByhfW .image-shape .label,#mermaid-svg-6vXCoESMNWjByhfW .icon-shape .label{text-anchor:middle;}#mermaid-svg-6vXCoESMNWjByhfW .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-6vXCoESMNWjByhfW .rough-node .label,#mermaid-svg-6vXCoESMNWjByhfW .node .label,#mermaid-svg-6vXCoESMNWjByhfW .image-shape .label,#mermaid-svg-6vXCoESMNWjByhfW .icon-shape .label{text-align:center;}#mermaid-svg-6vXCoESMNWjByhfW .node.clickable{cursor:pointer;}#mermaid-svg-6vXCoESMNWjByhfW .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-6vXCoESMNWjByhfW .arrowheadPath{fill:#333333;}#mermaid-svg-6vXCoESMNWjByhfW .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-6vXCoESMNWjByhfW .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-6vXCoESMNWjByhfW .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6vXCoESMNWjByhfW .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-6vXCoESMNWjByhfW .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6vXCoESMNWjByhfW .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-6vXCoESMNWjByhfW .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-6vXCoESMNWjByhfW .cluster text{fill:#333;}#mermaid-svg-6vXCoESMNWjByhfW .cluster span{color:#333;}#mermaid-svg-6vXCoESMNWjByhfW div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-6vXCoESMNWjByhfW .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-6vXCoESMNWjByhfW rect.text{fill:none;stroke-width:0;}#mermaid-svg-6vXCoESMNWjByhfW .icon-shape,#mermaid-svg-6vXCoESMNWjByhfW .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6vXCoESMNWjByhfW .icon-shape p,#mermaid-svg-6vXCoESMNWjByhfW .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-6vXCoESMNWjByhfW .icon-shape .label rect,#mermaid-svg-6vXCoESMNWjByhfW .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6vXCoESMNWjByhfW .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-6vXCoESMNWjByhfW .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-6vXCoESMNWjByhfW :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 有 且数量充足
有 但极少
无
是
否 是决策问题
发现结构
检测异常
工业问题范式选型
有可靠标签?
目标是预测/分类?
半监督/迁移学习
目标是发现结构
还是检测异常?
监督学习:
表格数据首选GBDT
图像选CNN 时序选LSTM
强化学习路线:
先仿真器 后人机协同
聚类/降维
异常检测
标注成本评估:
专家标注工作坊
往往比算法创新更高效
三条选型经验：
- 表格数据默认 GBDT：在工业表格数据上，梯度提升树在 90% 的场景下精度不输深度学习，且训练快、可解释、抗过拟合；
- 无标签先无监督：没有标签时，先跑聚类与异常检测摸清数据结构，再决定标注策略；
- 决策问题先评估后闭环：RL 的第一步永远是在仿真环境中做策略评估，而非上线探索。
🎯 本期小结
- 三大范式的工业定位：监督学习是预测诊断主力、无监督学习是探索发现探照灯、强化学习是控制优化前沿；
- 监督学习的工业前提是标签治理，无监督学习是标签稀缺现实的破局主力；
- 工业表格数据默认首选 GBDT 家族，深度学习保留给图像、长时序与大数据量场景；
- 强化学习的现实路径：仿真验证→人机协同→受限闭环，拒绝直接上线探索。
下期预告：第 5 期深入工业 AI 的第一生产力------特征工程：物理特征、统计特征、时窗特征的构造体系，以及特征质量的三重检验法。⚙️
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为) 。
🔔 关注专栏，不错过后续精彩内容