人工智能如何 “学习“--监督学习、无监督学习、强化学习

随着Pepper和自动驾驶汽车的出现，"机器人 "对不是工程师的普通大众来说越来越熟悉。 机器人使用各种软件技术，特别是 "人工智能（AI）"。

监督式学习、无监督式学习

我们如何在机器学习中学习或训练？一种典型的学习方式是同时教机器一个问题和一个答案。 在下面的例子中，机器被要求分析一个狗的图像，正确答案是 "分类是狗"。 这被称为 "标记的数据"（有正确答案的数据）。

用标记的数据进行训练学习 

那么，如果你知道正确的答案，机器会分析出什么？"为什么它被归类为狗？ 换句话说，让机器自己去发现 "功能"。 换句话说，机器自己发现了一个 "特征"---它被归类为 "狗"---这个特征就是 "狗"。 

 

作为训练数据，我们输入一张带有正确答案的图像（标记数据）。 由于已知正确答案是狗，机器就会学习分析的特征是 "狗 "的特征，通过学习大量的特征，积累应该归类为狗的特征，提高准确率。

然而，如果系统只通过分析一张图片来学习特征，它将无法识别同一类型的狗，除非向它展示其他非常相似的狗的图片。 如果该系统在1000万张有标签的狗的数据图像上进行训练，它将更有可能通过从大量的特征中进行匹配来识别一只狗。

这是研究神经网络的（一种）方法，也是它们需要大量大数据来学习的原因。 在这个狗的例子中，用标记的数据学习的方法被称为 "监督学习"。

机器学习有两种类型：监督式学习和无监督式学习。

监督学习使用的训练数据在输入数据和正确答案之间存在一对一的关系，例如，这张图片是一只狗，或者在这种情况下，一小时后的股票价格会是多少。

"无监督学习 "意味着输入图像是可用的，但正确答案却不是。 预测是关于未来的，所以没有正确的答案。 无监督学习是指从没有正确答案或正确答案未知的问题中学习的做法，如推理或分析。

有一些方法可以混合监督和非监督学习。 在这种方法中，首先通过监督学习让机器学习特征，然后通过无监督学习给它大量的训练数据，它自动计算出特征并反复学习。 这有时被称为 "半监督学习"。

最佳的学习方法将取决于机器学习的应用和使