7、机器学习与人工神经网络：原理、分类及应用

机器学习与人工神经网络：原理、分类及应用

1. 强化学习算法

强化学习算法主要与动态规划技术相关，广泛应用于人工智能开发领域，如自动驾驶汽车和游戏中的人工智能。其目标是通过算法执行的动作来最大化累积奖励，例如在游戏中以团队形式赢得一轮，而非仅让每个个体人工智能玩家获得最佳分数。

与监督学习不同，监督学习的训练数据明确给出正确答案，决定了模型的训练方向；而强化学习没有明确答案，强化代理需自行决定如何执行给定任务以最大化给定函数。由于缺乏训练数据集，它只能从自身经验中学习。强化学习被认为介于监督学习和无监督学习之间，其输入没有监督学习中的标签信息，而是与奖励值相关，每次执行都能通过最大化奖励来改进整体模型的决策。这可以用感知 - 动作 - 学习循环来表示。

强化学习主要有两种方法：
- 策略搜索 ：使用基于梯度或无梯度的方法搜索最优策略。例如，谷歌的Alpha Go就是基于策略搜索，无需人类干预或交互就能学习并取得优势。
- 价值函数近似 ：该方法估计动作的预期奖励，并试图实现优化的学习过程和结果。关键组成部分是状态 - 动作价值函数，也称为质量函数。

2. 机器学习算法分类

2.1 基于算法结构和基本操作原理的分类

Pedro Domingos提出了五种算法家族的分类：
| 算法家族 | 具体算法 | 特点 |
| — | — | — |
| 符号主义者（Symbolists） | 决策树（Decision tree）、随机森林（Random forest） | 决策树是一种类似流程图的树结