深度學習(deep learning)和強化學習(reinforcement learning)的區別
深度學習和強化學習都與人工智慧的計算能力密切相關。它們是自主的機器學習功能，為計算機創造出自己的解決方案鋪平了道路。這兩種學習方式也可能同時存在於多個專案中。一般來說，深度學習使用當前資料，而強化學習使用試錯法來計算預測。下麵的討論將進一步探討這些區別。
什麼是深度學習(deep learning)？
深度學習也被稱為深層結構學習或分層學習。這是1986年由電腦科學教授裡娜·德克特（Rina Dechter）首次提出的。它利用教學演算法中的現有資訊來尋找預測資料所必需的相關模式。這種系統利用不同層次的人工神經網路，類似於人腦的神經元組成。藉助於複雜的連結，該演算法可以處理數以百萬計的資訊，併在一個更具體的預測區域。
當開發者想要一個軟體在不同的圖片上發現紫羅蘭色時，可以應用這種學習。然後，程式將被輸入大量的影象（因此，“深度”學習）有或沒有紫色。透過聚類，程式將能夠識別模式，並學習何時將顏色標記為紫色。深度學習用於各種識別程式，如影象分析和預測任務，如時間序列預測。
什麼是強化學習(reinforcement learning)？
強化學習通常透過反覆試驗得出預測。從人工智慧的角度來看，它是在20世紀80年代後期發展起來的；它是基於動物實驗的結果、最優控制的概念和時差法。除了有監督學習和無監督學習之外，強化是機器學習的基本正規化之一。顧名思義，演算法是透過獎勵來訓練的。
例如，人工智慧的發展是為了在一個特定的移動遊戲中與人類一起玩。每次AI失敗時，演算法都會被修改以使其得分最大化。因此，這種技術從錯誤中吸取教訓。經過無數次的迴圈，人工智慧已經進化併在擊敗人類玩家方面變得更好。強化學習應用於各種前沿技術，如改進機器人技術、文字挖掘和醫療保健。
深度學習與強化學習的區別
學習技巧
深度學習能夠透過分析現有資料並將所學知識應用到一組新的資訊中來執行目標行為。另一方面，強化學習能夠透過適應持續反饋來改變其反應。
資料的存在
深度學習與已有的資料一起工作，因為它是訓練演算法所必需的。至於強化學習，它是探索性質的，它可以開發沒有一個當前的資料集，因為它透過試錯學習。
應用
深度學習用於影象和語音識別、深度網路預訓練和降維任務。相比之下，強化學習用於與外部**進行互動，並具有最佳控制，例如機器人、電梯排程、電信、計算機遊戲和醫療AI。
亦稱為
深度學習也稱為層次學習或深度結構學習，而強化學習沒有其他廣為人知的術語。
機器學習
深度學習是眾多機器學習方法中的一種。另一方面，強化學習是機器學習的一個領域；它是三種基本正規化之一。
人腦
與深度學習相比，強化學習更接近人腦的能力，因為這種智力可以透過反饋得到提高。深度學習主要是為了認知，與互動聯絡較少。
歷史
1986年，Rina-Dechter首次提出了深度學習，而強化學習是在20世紀80年代後期基於動物實驗、最優控制和時差法的概念發展起來的。
深度學習(deep learning) vs. 強化學習(reinforcement learning)
總結
- 深度學習和強化學習是一種自主的機器學習功能，它使計算機能夠在提出解決方案時建立自己的原則。
- 深度學習利用教學演算法中的當前資訊來尋找預測資料所必需的相關模式。
- 強化學習通常透過反覆試驗得出預測。
- 深度學習將學習到的模式應用於一組新的資料，而強化學習則從反饋中獲益。
- 深度學習需要已有的資料集來學習，而強化學習不需要當前的資料集來學習。
- 深度學習更多地應用於識別和麵積縮減任務，而強化學習通常與具有最優控制的環境互動聯絡在一起。
- 深層學習又稱層次學習或深層結構學習，強化學習沒有其他術語。
- 深度學習是眾多機器學習方法中的一種，而強化學習是機器學習的三種基本模式之一。
- 深度學習是在1986年引入的，而強化學習是在20世紀80年代後期發展起來的。
- 發表於 2021-06-26 09:16
- 閱讀 ( 41 )
- 分類：健康
你可能感興趣的文章
遠端教育(distance learning)和線上學習(online learning)的區別
遠端學習與線上學習 由於遠端學習和線上學習是相互聯絡的，人們過去常常混淆這兩個術語，但是遠端學習和線上學習有著明顯的區別。“遠端學習”一詞強調學生在學習過程中與教育機構不同的地理位置，而線上學習則強...
組織學習(organizational learning)和學習型組織(learning organization)的區別
組織學習與學習型組織的關鍵區別在於，組織學習側重於透過從日常活動中收集的經驗和知識進行學習，而學習型組織則側重於透過學習來提高員工的能力和能力。同時，我們可以把組織學習看作一個過程，把學習型組織看...
神經網路(neural network)和深度學習(deep learning)的區別
神經網路與深度學習的關鍵區別在於，神經網路的執行方式與人腦中的神經元相似，可以更快地完成各種計算任務，而深度學習是一種特殊的機器學習，模仿人類獲取知識的學習方法。 神經網路有助於建立預測模型來解決複...
同步(synchronous)和非同步學習(asynchronous learning)的區別
同步學習與非同步學習的關鍵區別在於，同步學習類似於一個虛擬課堂，涉及一組學生同時參與學習；非同步學習涉及以學生為中心的學習，類似於自主學習，並有必要的線上學習資源。 今天，線上學習是教育的一個重要方...
機器學習(machine learning)和人工智慧(artificial intelligence)的區別
關鍵區別——機器學習與人工智慧 人工智慧是一個寬泛的概念。自動駕駛汽車、智慧家居就是人工智慧的一些例子。一些國家在醫藥、**業、軍事、農業和家庭等領域擁有智慧機器人。機器學習是一種人工智慧。機器學習和...
社會認知理論(social cognitive theory)和社會學習理論(social learning theory)的區別
社會認知理論與社會學習理論 社會認知理論與社會學習理論的區別在於，社會認知理論可以看作是社會學習理論的擴充套件版本。在心理學中，人們一直關注人類學習的過程，以及促使個體獲得和保持行為的因素。社會認知...
聯想的(associative)和認知學習(cognitive learning)的區別
聯想的(associative)和認知學習(cognitive learning)的區別 儘管聯想學習和認知學習都與學習過程有關，但這兩種學習方式之間存在著關鍵的區別。聯想學習可以定義為一種行為與新**相聯絡的學習方式。然而，認知學習可以定義為...
鋼筋(reinforcement)和懲罰(punishment)的區別
...圖強調的消極強化與懲罰的概念存在差異。 什麼是鋼筋(reinforcement)？ 強化是強化行為的任何事件。說到加固，主要有兩種型別。它們是正強化和負強化。積極的強化透過呈現積極的**來提高行為。這可以是欣賞，禮物，食物等...
聯想的(associative)和非聯想學習(non-associative learning)的區別
聯想的(associative)和非聯想學習(non-associative learning)的區別 聯想學習和非聯想學習是兩種型別的學習，它們之間有一個關鍵的區別。聯想學習是指將思想和經驗聯絡在一起的各種學習。另一方面，非聯想學習是另一種學習方式...
資料探勘(data mining)和機器學習(machine learning)的區別
資料探勘(data mining)和機器學習(machine learning)的區別 資料探勘和機器學習是兩個密切相關的領域。作為親屬，他們是相似的，但他們有不同的父母。但目前，兩者的生長越來越相似，幾乎與雙胞胎相似。因此，有人將機器學習...
