监督学习、无监督学习、强化学习
强化学习
举例1
• 强化学习的思路和人比较类似，是在实践中学习
• 比如学习走路，如果摔倒了，那么我们大脑后面会给一个负面的奖励值 =>这个走路姿势不好；如果后面正常走了一步，那么大脑会给一个正面的奖励值 =>这是一个好的走路姿势
举例2:
• 强化学习没有教师信号，也没有label，即没有直接指令告诉机器该执行什么动作
• 反馈有延时，不能立即返回
• 输入数据是序列数据，是一个连续的决策过程
比如AlphaGo下围棋的Agent，可以不使用监督学习：
请一位围棋大师带我们遍历许多棋局，告诉我们每个位置的最佳棋步，这个代价很贵expe nsive
• 很多情况下，没有最佳棋步，因为一个棋步的好坏依赖于其后的多个棋步
• 使用强化学习，整个过程唯一的反馈是在最后（赢or输）
与监督学习的区别
没有监督学习已经准备好的训练数据输出值，强化学习只有奖励值，但 是这个奖励值和监督学习的输出值不一样，它不是事先给出的，而是延后给出的（比如走路 摔倒）
与非监督学习的区别
在非监督学习中既没有输出值也没有奖励值的，只有数据特征，而强 化学习有奖励值（为负是为惩罚），此外非舰队学习与监督学习一样，数据之间也都是独立的， 没有强化学习这样的前后依赖关系
