循环神经网络和强化学习的区别

• 机器学习的范式，称得上范式的，只有三种，监督学习，无监督学习，强化学习。他们三者解决的问题不同，这个不同是从数学的角度说明的。

• 循环神经网络解决的问题是目标比较明确，没有跟环境的交互，就是一种时序模型，按照目标函数去学习即可以；每一步不需要从外部获取奖惩，rnn也可以处理时间序列，也是一系列数据，没错，但本质上它依旧是一次预测。是网络结构，是对x的元素关系建模。循环循环神经网络也好，递归神经网络也好，都是监督学习。

• 强化学习解决的问题是，你给我一个x，我给你一个y，接下来，我给你的这个y会影响到下一个x，然后我再给你新的y，这个过程不断的进行下去。强化学习解决的多次，相互影响的预测。强化学习特别适合解决动态规划类问题，例如迷宫问题，下棋，打怪游戏等，通过跟环境的不断交互获得奖惩，每一步都是依赖上一步的奖惩；

• rnn属于近似建模问题,rl属于优化控制问题

• 强化学习是你给我一个x，我给你一个y，接下来，我给你的这个y会影响到下一个x，然后我再给你新的y，这个过程不断的进行下去。循环神经网络是你给我一个x，我给你一个y，接下来，我给你的这个y不会影响到下一个x，对x的元素关系建模。