机器学习 深度学习和强化学习的相关和区别是什么

这里触及到机器学习子畛域的分类。一切的分类，首先要问的是为什么这么分？按什么维度启动划分？合乎逻辑的分类能协助人们建设认知架构，不合乎逻辑的分类能让人一头雾水。

1、机器学习是人工智能的子畛域

人工智能的子畛域，沿着历史的开展，有比拟清楚的特点。大抵可分为：

可见“学习”是人工智能的一个慷慨向，“机器学习”依照 Tom Mitchell 的定义是从阅历中智能改良系统性能的程序。阅历常以数据的模式出现，因此通常上机器学习为数据剖析提供了关键工具。换句话说，当天对数据启动较为深化的剖析，总结出模型的上班，都属于机器学习范围。

2、机器学习的义务分类

机器学习从数据中总结模型，而数据示意的阅历可以蕴含不同的消息外形，其中的一个关键的消息，是关于模型表现的反应消息。有的数据中蕴含了模型应该输入的值，有的数据则齐全没有这一类消息，还有的数据中蕴含的是对模型表现的打分。不同的反应消息造成咱们须要用不同的技术启动解决，因此依照反应消息的不同，机器学习经典划分为三大类：

可见这一分类，是依照机器学习的义务维度启动划分。当然这样的划分并不具备齐全明晰的边界，随着越来越多的交叉畛域钻研上班的展开，发生很多衍生的方向：

以上所述的机器学习子畛域，其实都属于归结学习，即从样本中归结法令。因为普遍的实用性，归结学习成为“自动的机器学习”。但是机器学习中实践还有另一类，归结学习，经过推理出新的常识启动学习。这一方向因为数据剖析大行其道以往不受注重，但近年随着符号 AI 的振兴，也正在生长。

3、机器学习的模型分类

早期机器学习钻研，由不同的启示思维发生了不同的模型，蕴含：

等等，早期的钻研多集中在数据量较小、语意层面较高的数据，例如用户购置商品的数据，一个商品 ID 对应了一个商品。而对语意层面较低的数据，例如图像数据，用每一个像素的灰度值表征，识别图像中的人脸须要建设灰度值到人名的咨询，跨度渺小；语音数据，用波形表征，识别一个词须要建设一连串的声波强度到词语的咨询，跨度渺小，因此取得的性能有限，且往往须要依赖人工结构的高层特色，例如人脸图像的灰度直方图投影等。

2012 年，某种结构的多层神经网络的模型，联合少量的数据，在语音识别、图像识别上取得性能打破，惹起了普遍关注，随后越来越多层的神经网络模型，在海量图像、语音数据上表现的长处更加清楚。为区别传统的模型，经常使用这一类深层神经网络模型被称为深度学习。

其特点在于，不同于特色工程 + 传统模型，深度模型从低层语意数据间接学习下层义务，即所谓的“端到端”学习，其中智能蕴含了对数据的表征学习。反上来，蕴含表征学习的模型，通常也须要启动多档次的解决，也都可称为深度学习。除了深度神经网络外，也有深度森林等非神经网络模型。

机器学习的义务与模型是可以组合的，即有非深度 / 深度监视学习、非深度 / 深度强化学习、非深度 / 深度无监视学习，等等。