强化学习——学习记录1

1 什么是机器学习

机器学习：

计算机系统能够从数据中学习并做出预测或决策。算法是机器学习的核心，通过算法的构建去优化做出的预测和决策。

机器学习有哪些类型呢？

• 监督学习（Supervised Learning）： 数据是有标签，通过有标签的训练数据中学习，包括输入特征和相应的输出标签。常见的任务包括分类和回归。
• 无监督学习（Unsupervised Learning）：在没有标签的数据中尝试找到数据中的结构和模式。常见的任务包括聚类和降维。
• 半监督学习（Semi-Supervised Learning）：使用少量标记数据和大量未标记数据进行学习，介于监督学习和无监督学习之间。
• 强化学习（Reinforcement Learning）：如前所述，智能体通过与环境的交互来学习如何采取行动以最大化累积奖励。后面将继续详细展开学习！
• 自监督学习（Self-Supervised Learning）：一种无监督学习，算法通过预测数据的某些方面来学习，这些方面通常是从数据本身推导出来的。

机器学习就是通过带标签或者不带标签的数据，从数据中分析一定的逻辑与预测一定的结果结论，从而解决生活中遇到的问题。这其中我们需要输入数据，提取数据的特征，然后训练，再用测试集进行测试。测试过于依赖数据还会出现过拟合等情况。

以上是对机器学习的了解。

2什么是强化学习

在通过以上对机器学习的了解，再来了解强化学习。强化学习是机器学习中的一种，机器学习需要通过数据来分析，而强化学习就是将数据这种输入变成环境输入，通过主题与环境的交互情况，来改变学习规则，从而达到学习最终的目的。也就是以下的介绍：

强化学习：

主要关注如何在环境中采取行动以最大化某种累积奖励。强化学习的核心是主体通过与环境的交互来学习最佳策略，即在给定状态下选择最佳动作的规则。

强化学习有哪些常见类型呢？

• 基于模型（Model-Based）：建立一个模型，该模型可以学习环境，并跟随环境的变化而变化。模型的建立就是需要将变化的情况转化为状态变化的概率和函数，然后通过模型的学习达到规划的最优策略。
• 无模型（Model-Free）：算法直接从与环境的交互中学习策略，这个策略的建立的基础不是在立环境模型的基础上进行的。
• 策略方法（Policy-Based）：直接学习或优化策略函数，即从状态到动作的映射。
• 价值方法（Value-Based）：学习价值函数，如状态价值函数或动作价值函数（Q函数），然后使用这些函数来选择最佳动作。
• 蒙特卡洛方法（Monte Carlo Methods）：通过完整的样本轨迹来估计期望回报。
• 时序差分方法（Temporal Difference, TD）：通过估计当前状态的即时回报与未来回报的差异来更新价值函数。

强化学习的具体实际应用呢？

生活中比较常见的有无人驾驶，通过大量的交通数据，让车辆与实际环境交互，通过一定的奖励机制让无人驾驶实现一定的轨道运行。当然现在比较火的就是深度学习，进行计算机视觉检测，图相分类与识别等。

总结

学习机器学习与强化学习的区别，记录！