深度学习1-RL和其他ML方法（监督学习（supervised learning）和非监督学习（unsupervised learning））的关联和区别。

已于 2023-01-14 14:26:18 修改
阅读量1.1k 收藏 2
点赞数 1
分类专栏： 深度学习 文章标签： 人工智能 深度学习
于 2022-12-21 19:01:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/clayhell/article/details/128400802
版权
本文介绍了强化学习（RL）、监督学习（SL）和非监督学习（USL）之间的关联和区别。SL关注有标签数据的映射问题，如文本分类和图像识别；USL处理无标签数据，寻找隐藏结构。RL则介于两者之间，智能体通过与环境互动和接收奖励来学习。RL的核心是马尔可夫决策过程（MDP），包括状态、动作、奖励和观察。MDP通过转移概率描述系统动态，并利用折扣因子衡量长期奖励。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

### 1.RL和其他ML方法（监督学习（supervised learning）和非监督学习（unsupervised learning））的关联和区别。

##### Sl:它的基本问题是，当给定一系列带标签的数据时，如何自动构建一个函数来将某些输入映射成另外一些输出。

​    ▪  文本分类：电子邮件是否是垃圾邮件？
​    ▪  图像分类和目标检测：图片包含了猫还是狗还是其他东西？
​    ▪  回归问题：根据气象传感器的信息判断明天的天气。
​    ▪  情感分析：某份评价反应的客户满意度是多少

##### usl:另外一个极端就是所谓的非监督学习，它假设我们的数据没有已知的标签。它的主要目标是从当前的数据集中学习一些隐藏的结构。

##### Rl:RL则处于第三阵营，介于完全监督和完全没有预定义标签之间。

### 2.RL有哪些主要形式，它们之间的关系是什么样的。

RL实体（智能体和环境）以及它们之间的交互通道（动作、奖励和观察）。

实体通过观察环境做出动作，最后获得奖励，

奖励的目的是告诉智能体它有多成功，这是RL最核心的东西。强化（reinforcement）这个术语就出自此，即智能体获得的奖励应该正向或反向地强化它的行为。奖励是局部的，意味着它反映了智能体最近的行为有多成功，而不是从开始到现在累计的行为有多成功。

智能体是通过执行确定的动作、进行观察、获得最终的奖励来和环境交互的人或物。在大多数实际RL场景中，智能体是某种软件的一部分，被期望以一种比较有效的方法来解决某个问题。

对环境的观察形成了智能

最低0.47元/天 解锁文章
什么是强化学习？它与监督学习和无监督学习有什么区别？（面试题200合集，中频、重要）
qq_38334677的博客
04-23 470
特性强化学习监督学习无监督学习数据类型无需标记，基于奖励需要输入-输出对无需标记，仅输入数据目标最大化累积奖励最小化预测误差发现数据结构反馈机制环境的奖励信号预定义的正确答案无明确反馈应用场景动态决策（游戏、控制）预测任务（分类、回归）模式发现（聚类、降维）简单来说，强化学习就像“教一个孩子通过奖励和惩罚学会骑自行车”，监督学习是“给孩子看示范并纠正错误”，无监督学习则是“让孩子自己观察一堆玩具并分组”。每种方法都有独特的应用场景和优势！
深度学习的 RL 与 DL 结合：强化学习的神经网络
AI天才研究院
12-31 1197
1.背景介绍 强化学习（Reinforcement Learning, RL）是一种人工智能技术，它通过在环境中执行动作并接收到相应的奖励来学习如何做出最佳决策的算法。强化学习的主要目标是找到一种策略，使得在长期内的累积奖励最大化。强化学习的主要特点是它不依赖于预先标记的数据，而是通过与环境的互动来学习。 深度学习（Deep Learni
深度学习学习经验——强化学习（rl）
Linductor的博客
08-25 1142
我们将使用一个简单的神经网络作为我们的智能体，它将输入贪吃蛇游戏的状态，输出每个可能的动作的“价值”（即采取该行动的预期回报）。在强化学习中，我们通常使用Q-learning算法来训练这个网络。self.fc1 = nn.Linear(grid_size * grid_size, 128) # 第一层全连接层，输入大小为网格大小平方self.fc2 = nn.Linear(128, 64) # 第二层全连接层。
深度学习中的无监督学习和监督学习
qq_37337269的博客
03-26 1157
监督学习 我自己的理解 你的数据集是打好标签的，在训练的过程中，你知道标准答案（打好的标签），你希望训练出来的模型符合你的标准答案。 打一个不太好的比方，老师在教学生知识的时候，老师肯定教正确的知识（当然老师知道什么是正确的知识），老师希望的结果是学生们学到的知识是老师教的正确的知识，而不是错误的知识。 正确的知识：标注的数据 老师传授学生知识：训练的过程 监督学习的分类：回归(Regress...
深度强化学习（RL）介绍
chenchihwen的专栏
11-24 1896
强化学习不同于监督学习，在一些任务中数据标注困难，但机器可通过环境反馈知道结果好坏。强化学习是机器学习的一部分，可定义为寻找一个策略（函数），使智能体（Actor）在给定观察（Observation）时能选择最佳行动（Action），以最大化总奖励（Reward）。例如在玩太空侵略者游戏或围棋时，智能体根据游戏状态（观察）采取行动，如移动、射击（太空侵略者）或落子（围棋），游戏结束时根据结果获得奖励（如消灭外星人得分、赢得围棋比赛得 1 分等）123。
【RL】预测与控制问题
qq_42292095的博客
01-27 1254
文章目录预测控制 预测 预测问题：最终基于某一策略最终价值函数Vπ(S)\begin{array}{c} V_{\pi }(S) \end{array}Vπ​(S)​ 或Qπ(S,A)\begin{array}{c} Q_{\pi } (S,A) \end{array}Qπ​(S,A)​ 控制 控制问题：找到最优价值函数V∗(S)或Q∗(S,A)\begin{array}{c} V_{*} (S) 或 Q_{*} (S,A) \end{array}V∗​(S)或Q∗​(S,A)​ PS:以后学习过程中不断
深度强化学习基础（一）：RL中的基本概念
qq_35381266的博客
03-15 2936
强化学习是什么？ 强化学习（Reinforcement Learning, RL），又称再励学习、评价学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。 强化学习能做什么？ 计算机利用强化学习在模拟器中控制机器人。 用于复杂的战略游戏（围棋和Dota）。 关键概念和术语 强化学习的最主要特征是智能体和环境。环境是智能体生活并与之交互的世界。在交互的每一步，智能体会看到（可能是部分的）对世界状态的观察，然
深度学习篇---深度学习相关知识点&关键名词含义
最新发布
道阻且长，行则将至。
02-06 1201
以上就是今天要讲的内容，本文简单介绍了深度学习\机器学习的相关知识点以及关键名词的含义。
机器学习（Machine Learning, ML）简介
qq_28791753的博客
11-16 6835
机器学习作为人工智能的重要分支，在现代科技发展中扮演着至关重要的角色。通过理解和应用机器学习技术，我们可以解决许多复杂的问题，提高各个领域的效率和效果。如果你对机器学习感兴趣，不妨深入研究并动手实践，相信你会发现一个充满潜力和挑战的新世界！希望这篇博客对你有所帮助。如果你喜欢这篇文章，请，并分享给更多的小伙伴吧！
ML--LR学习小结
ssblink的博客
11-19 873
上周学习的是决策树，这周接触了算是第一个最优化问题-Logistic Regression。逻辑斯提回归实际上是一种分类的算法，是广义上的线性回归，与感知机很相似。做个小小的预告，下篇将探讨支持向量机（SVM），算是近期ML学习的一个小的节点，因为接下来将精力转移到深度学习的入门。但扔会一如既往的在博客上更新一些想法，ML的学习不会结束，后面将进行更深入的学习。
人工智能(AI),机器学习(ML),表示学习(RL),深度学习(DL)
热门推荐
醉糊涂仙的博客
09-20 1万+
一,AI 人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟...
Machine Learning 之二，什么监督性学习，非监督性学习。
weixin_34308389的博客
06-03 295
1.什么是监督性学习？Supervised Machine Learning. 在监督性学习，我们给定一个数据集以及我们已经知道正确输出的结果，然后找到一个输入和输出的关系。 In Supervised learning,we are given a data set and already know what our correct output should look like ,hav...
监督学习/无监督学习/半监督学习——《深度学习之美》· 张玉宏
weixin_51494136的博客
10-16 172
## 监督学习 通俗地来说，监督学习即从有标签的训练数据中学习模型，然后给定某个新数据，利用模型预测它的标签。这里的标签是对某个事物的分类。 形式化地说，监督学习即先用训练数据集学习得到一个模型，然后再使用这个模型对新样本进行预测（prediction）
RL— 深度强化学习简介
gongdiwudu的专栏
07-31 6156
深度强化学习是关于从我们看到和听到的东西中采取最好的行动。不幸的是，强化学习强化学习在学习概念和术语方面存在很高的障碍。在本文中，我们将介绍深度强化学习，并概述一般情况。然而，我们不会回避方程式和术语。它们提供了更深入地理解概念的基础知识。我们不会呼吁您只需要 20 行代码即可解决 RL 问题。官方答案应该是一个！但我们将努力使它平易近人。
深度学习3. 强化学习-Reinforcement learning | RL
ZJQ的博客
08-26 1525
强化学习并不是某一种特定的算法，而是一类算法的统称。如果用来做对比的话，他跟监督学习，无监督学习 是类似的，是一种统称的学习方式。强化学习算法的思路非常简单，以游戏为例，如果在游戏中采取某种策略可以取得较高的得分，那么就进一步「强化」这种策略，以期继续取得较好的结果。这种策略与日常生活中的各种「绩效奖励」非常类似。我们平时也常常用这样的策略来提高自己的游戏水平。在 Flappy bird 这个游戏中，我们需要简单的点击操作来控制小鸟，躲过各种水管，飞的越远越好，因为飞的越远就能获得更高的积分奖励。
强化学习一撇
wwlsm_zql的博客
02-11 379
强化学习一撇 强化学习，说起来也和神经网络一样，上世纪50年代左右，就有相关强化学习的研究。其历史概述可以从机器之心这篇文章看到。当时，也是由于算力、内存等限制了强化学习在实际中的广泛应用，真正对强化学习研究兴趣的爆发是16年Google的AlphaGo的问世，引爆了人们对于强化学习的兴趣。 对于RL，相信大家或多或少都有了解，如上图，自动飞翔的flappy bird，会跑的波士顿动力狗，吃豆...
【机器学习】深度强化学习–RL的基本概念、经典场景以及算法分类
ya的博客
08-15 1960
深度强化学习是一个快速发展的领域，随着算法和计算资源的进步，它有望在更多领域实现突破这些分类方式可以帮助我们更好地理解强化学习算法的不同特性和适用场景。随着研究的不断深入，新的算法和分类方式也在不断涌现。
监督学习与非监督学习之间的区别
m0_37683606的博客
09-16 1万+
监督学习与非监督学习之间的区别 深度学习中会遇到常见的两个问题，一个是分类，一个是回归。 如果我们想要预测的值是一个离散的值，比如说物体识别，识别一个物体是猫还是狗，预测一张图片是美还是丑，还有手写数字辨识，这些都是分类的问题。但是如果我们想要预测的是一个连续的数值，比如说给一张图片进行评分，这就是回归问题。 有的时候我们还会对一些数据做聚类，就是我们可以通过某些聚类算法将某些相同类别的数据聚合在一起，形成一个簇，而这些自动生成的簇可能会存在一些潜在的相同特征，比如说这个簇里面的所有数据都指向 “猫” 的特
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五百五。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值