深度学习和强化学习都与人工智能的计算能力密切相关。它们是自主的机器学习功能，为计算机创造出自己的解决方案铺平了道路。这两种学习方式也可能同时存在于多个项目中。一般来说，深度学习使用当前数据，而强化学习使用试错法来计算预测。下面的讨论将进一步探讨这些区别。

什么是深度学习(deep learning)？

深度学习也被称为深层结构学习或分层学习。这是1986年由计算机科学教授里娜·德克特（Rina Dechter）首次提出的。它利用教学算法中的现有信息来寻找预测数据所必需的相关模式。这种系统利用不同层次的人工神经网络，类似于人脑的神经元组成。借助于复杂的链接，该算法可以处理数以百万计的信息，并在一个更具体的预测区域。

当开发者想要一个软件在不同的图片上发现紫罗兰色时，可以应用这种学习。然后，程序将被输入大量的图像（因此，“深度”学习）有或没有紫色。通过聚类，程序将能够识别模式，并学习何时将颜色标记为紫色。深度学习用于各种识别程序，如图像分析和预测任务，如时间序列预测。

什么是强化学习(reinforcement learning)？

强化学习通常通过反复试验得出预测。从人工智能的角度来看，它是在20世纪80年代后期发展起来的；它是基于动物实验的结果、最优控制的概念和时差法。除了有监督学习和无监督学习之外，强化是机器学习的基本范式之一。顾名思义，算法是通过奖励来训练的。

例如，人工智能的发展是为了在一个特定的移动游戏中与人类一起玩。每次AI失败时，算法都会被修改以使其得分最大化。因此，这种技术从错误中吸取教训。经过无数次的循环，人工智能已经进化并在击败人类玩家方面变得更好。强化学习应用于各种前沿技术，如改进机器人技术、文本挖掘和医疗保健。

深度学习与强化学习的区别

学习技巧

深度学习能够通过分析现有数据并将所学知识应用到一组新的信息中来执行目标行为。另一方面，强化学习能够通过适应持续反馈来改变其反应。

数据的存在

深度学习与已有的数据一起工作，因为它是训练算法所必需的。至于强化学习，它是探索性质的，它可以开发没有一个当前的数据集，因为它通过试错学习。

应用

深度学习用于图像和语音识别、深度网络预训练和降维任务。相比之下，强化学习用于与外部**进行交互，并具有最佳控制，例如机器人、电梯调度、电信、计算机游戏和医疗AI。

亦称为

深度学习也称为层次学习或深度结构学习，而强化学习没有其他广为人知的术语。

机器学习

深度学习是众多机器学习方法中的一种。另一方面，强化学习是机器学习的一个领域；它是三种基本范式之一。

人脑

与深度学习相比，强化学习更接近人脑的能力，因为这种智力可以通过反馈得到提高。深度学习主要是为了认知，与互动联系较少。

历史

1986年，Rina-Dechter首次提出了深度学习，而强化学习是在20世纪80年代后期基于动物实验、最优控制和时差法的概念发展起来的。

深度学习(deep learning) vs. 强化学习(reinforcement learning)

总结

• 深度学习和强化学习是一种自主的机器学习功能，它使计算机能够在提出解决方案时创建自己的原则。
• 深度学习利用教学算法中的当前信息来寻找预测数据所必需的相关模式。
• 强化学习通常通过反复试验得出预测。
• 深度学习将学习到的模式应用于一组新的数据，而强化学习则从反馈中获益。
• 深度学习需要已有的数据集来学习，而强化学习不需要当前的数据集来学习。
• 深度学习更多地应用于识别和面积缩减任务，而强化学习通常与具有最优控制的环境交互联系在一起。
• 深层学习又称层次学习或深层结构学习，强化学习没有其他术语。
• 深度学习是众多机器学习方法中的一种，而强化学习是机器学习的三种基本模式之一。
• 深度学习是在1986年引入的，而强化学习是在20世纪80年代后期发展起来的。