深度学习，强化学习，机器学习（人工智能领域）

目录

一、人工智能---机器学习---深度学习：

 二、传统机器学习：

·原理

三、深度学习

·原理：

·CNN 的实际应用：

·RNN 的实际应用：

四、强化学习

​编辑

·组成部分：

·深度学习  +  强化学习  =  深度强化学习

---

一、人工智能---机器学习---深度学习：

        深度学习是机器学习的一个分支(最重要的分支)；机器学习是人工智能的一个分支。 

        深度学习（Deep Learning）是机器学习（Machine Learning）领域中一个新的研究方向。

        深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。主要关注基于人工神经网络的算法，尤其是那些具有多层结构（深层网络）的神经网络。深度学习在图像识别、语音识别、自然语言处理等领域表现出了优异的性能。

        深度学习的概念源于人工神经网络的研究，但是并不完全等于传统神经网络。

        深度学习可以说是在传统神经网络基础上的升级，约等于神经网络。 

---

 二、传统机器学习：

数据预处理----------特征提取----------选择分类器

        机器学习是利用经验来训练计算机系统，使其能够从输入数据中提取规律，并对新数据进行预测或分类。

·原理

        机器学习的基本原理是从数据中提取特征，并根据这些特征训练一个模型。这个模型可以用于对新数据进行预测或分类。机器学习的主要任务是选择一个适当的模型来拟合数据，使其能够泛化到新的数据集。

        机器学习算法：有监督学习、无监督学习（Unsupervised Learning）和强化学习。

---

三、深度学习

数据预处理----------设计模型----------训练

        深度学习可以自动发现数据中的复杂模式，并产生高质量的预测或分类结果。

·原理：

        深度学习的原理是通过多层神经网络来学习和处理数据。这些神经网络由许多节点和层组成，每个节点都会接收一些输入，并计算出相应的输出。深度学习的主要任务是选择适当的网络结构和参数来最小化预测误差，以实现对复杂数据和任务的准确建模。

优点：学习能力强；覆盖范围广，适应性好；数据驱动，上限高；可移植性好
缺点：计算量大，便携性差；硬件需求高；模型设计复杂；没有"人性"，容易存在偏见

算法：卷积神经网络 - CNN；循环神经网络 - RNN；生成对抗网络 - GANs；深度强化学习 - RL

·CNN 的实际应用：

·图片分类、检索

·目标定位检测

·目标分割

·人脸识别

·骨骼识别

·RNN 的实际应用：

·文本生成

·语音识别

·机器翻译

·生成图像描述

·视频标记

---

四、强化学习

        强化学习是做出最佳决策的科学。它可以帮助我们制定活的物种所表现出的奖励动机行为。比方说，你想让一个孩子坐下来学习考试。要做到这一点非常困难，但是如果每次完成一章/主题时都给他一块巧克力，他就会明白，如果他继续学习，他会得到更多的巧克力棒。所以他会有一些学习考试的动机。
        孩子代表着Agent代理 。奖励制度和考试代表了Environment环境。今天的题目是类似于强化学习的States状态。所以，孩子必须决定哪些话题更重要（即计算每种行为的价值）。这将是我们的工作的 Value-Function价值方程。所以，每次他从一个国家到另一个国家旅行时，他都会得到Reward奖励，他用来在时间内完成主题的方法就是我们的Policy决策。

·组成部分：

·Agent（智能体、机器人、代理）

·Environment（环境）

·State（状态）

·Action（行动）

·Reward（奖励）

·深度学习  +  强化学习  =  深度强化学习

        深度强化学习是将深度学习和强化学习相结合的一种方法。它使用深度神经网络来近似值函数或策略函数，以解决高维状态空间和动作空间的问题。

---

有什么问题可以关注此公众号私信博主 ！！！