人工智能算法大致可分作监督学习、无监督学习与强化学习。其中，监督学习通过不断训练程序（模型）从人类已有经验中学习规律。在这一类机器学习中，研究人员会通过标记数据的方法，不断调整模型参数以达到学习目的。类似于父母会向孩子展示不同颜色、大小乃至种类的苹果，教会孩子认识“未曾见过”的苹果。这便是监督学习的目的：样本外预测。
无监督学习则通过训练程序，使机器能直接从已有数据中提取特征，对信息进行压缩，用于完成其他任务。如传统的主成分分析，可以将高维特征使用低维度向量近似。例如，我们可以使用主成分分析技术压缩图片，以达到节省储存空间的作用。因此，这类机器学习算法并不需要以往经验，也被称之为无监督学习。
当然，无监督学习与监督学习之间并不是彼此对立的关系，对于存在部分标注的数据，我们也可以使用半监督学习算法。比如最近比较流行的对抗神经网络——我们可以使用该算法学习一系列甲骨文后，令它生成多个足以以假乱真、却从不代表任何意义的“甲骨文”，相当于计算程序“照虎画虎”却不知为虎。
此外，强化学习与以上（无、半）监督学习算法不同什么是人工智能，强化学习是动态优化的延伸，而（无、半）监督学习则与统计学更为接近。强化学习通过使智能程序不断地与环境交互，通过调整智能程序的决策参数（过程）达到最大化其累积收益的目的。强化学习是最接近于人类决策过程的机器学习算法，类似于让一个智能体无限、快速地感知世界，并通过自身失败或者成功的经验，优化自身的决策过程，在这一过程中计算机程式并不那么需要老师。当然什么是人工智能，强化学习也并不能完全同监督学习割裂开来。比如就是通过强化学习手段所训练的计算程序，但在训练的第一阶段，研究人员使用了大量的人类玩家棋谱供模仿学习，这里人类已有经验类似于老师；但是在的升级版本中，模仿学习已经完全被摒弃。
本文到此结束，希望对大家有所帮助。
本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至81118366@qq.com举报，一经查实，本站将立刻删除。发布者：简知小编，转载请注明出处：https://www.jianzixun.com/98895.html
微信扫一扫 
支付宝扫一扫 
