ML、DL及RL介绍和区别

本文总字数：1187，阅读预计需要：3分钟

前言

在刚入门的时候，我们很容易被这些词语弄得眼花缭乱，如人工智能、机器学习、深度学习及强化学习等等。它们之间互相联系，却有一定区别。我们学习人工智能AI，需要对这些词语有一定的概念，不然，研究了这么久的算法和知识，却连我们在干什么都不知道，就十分不好，也会影响我们学习的进度。

人工智能

人工智能（Artificial Intelligence），缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

机器学习

Maching Learning，是实现人工智能的一种手段，广泛应用于自然语言处理、（NLP）、计算机视觉（CV）及推荐系统等等方面。能应用机器学习的场景很多，如人脸识别、图像处理和车牌识别等等，这些在我们生活中以及很常见了。

机器学习主要分为监督学习，无监督学习和半监督学习三种。从算法上来说有贝叶斯分类，决策树，线性回归，决策树和森林模型，主成分分析，流行学习，k-means聚类，高斯混合模型等等。

从大体上来讲，机器学习包括深度学习和强化学习，也就是说，深度学习和强化学习均是机器学习的一种技术。总之，先进行机器学习，打好基础，再进行其他方向的发展，是一个较好的策略。

深度学习

Deep Learning，由于深度学习在现代机器学习中的比重和价值非常巨大，因此常常将深度学习单独拿出来说。神经网络，是深度学习方向的主要工具。我们知道，在机器学习中也有神经网络，而深度学习中，神经网络更复杂，涉及的层数更多。我们了解的DNN（深度神经网络），CNN（卷积神经网络），RNN（循环神经网络），LSTM（长短期记忆网络）都是隶属于深度学习的范畴。

强化学习

Reinforcement Learning，又称再励学习或者评价学习。也是机器学习的技术之一。所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大，由于外部给出的信息很少，强化学习系统必须依靠自身的经历进行自我学习。通过这种学习获取知识，改进行动方案以适应环境。强化学习最关键的三个因素是状态，行为和环境奖励。