本文探讨了强化学习与其他学习模式的区别，强调其在环境探索和数据生成中的作用，如围棋AI。接着介绍了智能体的两种学习策略：基于价值的价值型学习和基于策略的策略型学习。此外，还讨论了强化学习的不同类别，包括模型基础与模型自由、价值基础与策略基础、在线策略与离线策略。最后，提到了编程实践环节，如GYM环境的应用。
Ⅰ：强化学习与别的学习的区别、关系：
机器学习：通过优化方法挖掘数据中规律（从数据中总结模型）的学科
强化学习：不规定训练的目标，所训练的数据仅对模型打分，通过不断优化算法获得更高的模型评分。不仅能利用现有数据，还可以通过对环境的探索获得新数据，并利用新数据循环往复地更新迭代现有模型的机器学习算法。学习是为了更好地对环境进行探索，而探索是为了获取数据进行更好的学习。例：围棋AI
监督学习：通过对已有数据的学习预测未来事件。分为回归/分类两类：回归模型用于输出变量为实际值的问题，例如预测未来的美元膨降趋势；分类模型用于可以对输出变量进行分类，例如判别一个人的表情体现开心或难过。
非监督学习：无监督学习是训练机器使用既未分类也未标记的数据的方法，机器只能自行学习。机器必须能够对数据进行分类，而无需事先提供任何有关数据的信息。分为聚类/查异两类：聚类即将有相似性的数据归为一类；查异即找到与大多数数据有显著不同的特殊项。
深度学习：运用了神经网络作为参数结构进行优化的强化学习算法，拥有更强的算法拟合性，理论上可以模拟一切函数。但训练过程解释性较差，训练模型要求较高。
强化学习体现智能体通过与环境的交互
最低0.47元/天 解锁文章
684
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
