请从学习范式、数据依赖、目标函数和适用场景等角度，阐述强化学习与监督学习之间的相同点和不同点。

回答思路

1. 【回答框架 1】监督学习基于带标签的静态数据集，通过最小化预测值与真实标签的损失函数（如交叉熵、均方误差）来学习输入到输出的映射，模型训练与数据采集分离。
2. 【回答框架 2】强化学习则通过智能体与环境交互，以最大化累积奖励为目标，学习最优策略（状态到动作的映射），训练信号是延迟的、稀疏的奖励信号，而非直接的正确标签。
3. 【回答框架 3】相同点：两者都属于机器学习范式，都在学习从输入到输出的映射（策略也可视为状态到动作的映射）；都依赖数据驱动，都需要定义目标函数（损失函数或回报函数）来指导优化；都可能使用神经网络等函数逼近器。
4. 【回答框架 4】核心差异：监督学习假设数据独立同分布，强化学习面临非独立同分布的数据（状态转移影响后续采样）；监督学习是单步决策，强化学习是序列决策，需要考虑时间信用分配；监督学习反馈即时且明确，强化学习反馈延迟且可能噪声大；监督学习不涉及探索与利用权衡，强化学习必须平衡探索新动作与利用已知好策略。
5. 【回答框架 5】适用场景：监督学习适合分类、回归等有明确标注任务（如图像识别、房价预测）；强化学习适合序贯决策任务（如游戏AI、机器人控制、自动驾驶、推荐系统动态决策）。
6. 【关键点 1】监督学习依赖静态标签样本，强化学习依赖与环境交互产生的奖励序列。
7. 【关键点 2】监督学习优化单步预测误差，强化学习优化长期累积回报，需处理时序信用分配。
8. 【关键点 3】强化学习包含探索与利用权衡，监督学习没有。
9. 【关键点 4】二者均为数据驱动的函数拟合过程，可共用深度学习模型结构。
10. 【关键点 5】强化学习数据非独立同分布，监督学习通常假设独立同分布。
11. 【易错点 1】混淆奖励函数与损失函数：奖励是环境反馈，损失是模型优化目标，不可直接等同。
12. 【易错点 2】忽略强化学习的非平稳性：策略更新改变数据分布，监督学习模型不改变数据分布。
13. 【易错点 3】将监督学习中的评价指标（如准确率）直接用于强化学习策略评估，需用回报或价值函数评估。