数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究强化学习 – 人工智能的另一个有力分支
“强化学习”是人工智能（机器学习）领域的一个分支。受行为心理学启发，该领域使软件代理和机器能够确定行为，并据此采取行动，最终最大化其性能。简单来说，计算机可以通过**实验**以及环境对如何做事做出的反应来自行推断/学习，并在每次改进时不断适应，从而实现最大化。例如，训练计算机控制游戏、安排工作（如电梯调度）以及控制肢体。
强化学习 (RL)
RL 由心理学家爱德华·桑代克在 100 多年前记录下来。这项技术并非让程序员告诉它该做什么，而是让计算机/软件代理自行执行任务，通过缓慢地找出最佳方法。交互存在于两个元素之间——环境和学习代理。在此过程中，代理会受到环境的奖励，称为强化信号。在奖励的基础上，代理利用知识并为下一个行动做出选择。从本质上讲，计算机可以像人类一样学习，而无需明确的训练。强化学习过程中也会有对人工智能体的惩罚，但通过不断地尝试和错误，代理会学习并找到最佳方法（基于原始输入）。
不断进行选择，同时区分好坏。表示由 Q 网络完成，该网络估计总奖励。随着深度学习的结合，这项技术现在变得越来越强大，深度学习使用大型模拟神经网络来识别数据中的模式/趋势，并执行计算机的学习任务。
最好的例子之一是 Alphabet 的子公司 DeepMind 开发的 AlphaGo，它在 2016 年击败了世界上最优秀的围棋人类棋手。这使得全世界都开始认识到 RL 的重要性，因为用代码实现极其复杂的围棋游戏实际上是不可能的。同样，对于大型和复杂的任务，计算变得不可行。从能够以安全和精确的方式执行 RL 的自我改进汽车，到无需手动编程即可使用的机器人，这项技术还可以确定数据中心设备所需的配置。RL 的其他参与者包括 Mobileye、OpenAI、Google 和 Uber。Google 和 DeepMind 还共同努力提高其数据中心的能源效率。这是通过一种 RL 算法实现的，该算法可以从收集到的数据中学习，通过模拟进行实验，并最终建议何时以及如何操作冷却系统。
RL 代理的“因果关系”步骤
- 人工智能体检测输入状态（RL 首先识别并制定问题）。
- 下一步由要采取的策略决定。
- 然后执行操作，并提供奖励/惩罚以及相应的强化。
- 记录信息状态。
- 最后，可以进一步调整最佳操作以提高结果。
RL 系统的无监督、开发和探索
RL 是一种无监督学习形式，其中代理被留置在提供的环境中学习，并通过逐渐调整来学习。此外，RL 代理试图通过开发和探索过程来学习。开发意味着一旦代理取得了满意的结果并获得奖励，它就可以再次利用相同的技术来取得结果。探索意味着 RL 代理可能会尝试不同的策略，这些策略可能带来更好的奖励和认可，从而探索各种情况。这两种策略必须共同发挥作用。
局限性
RL 也存在局限性。能够存储值的内存成本可能很复杂，因为问题本身就很复杂。此外，类似的行为也发生得太频繁，而必须引入模块化以防止重复。感知的限制因素（感知混淆）最终会影响算法的功能。
商业利益
RL 最终是最大化性能的机器学习算法。它可以广泛应用于
**制造业** – 机器人在拣选货物并将其放置在正确位置时使用 RL – 一旦正确完成，它们就会以精确的方式继续该方法；
**库存管理** – 空间利用对于电子商务和零售商至关重要 – RL 允许使用可以减少库存和检索产品时间的算法，从而提高仓库运营效率；
**金融** – RL 有助于评估交易策略和优化财务目标；
**配送管理** – RL 解决拆分配送车辆路径问题 – Q 学习通过为合适的客户提供一辆车辆来进行管理；
**动态定价** – RL 通过需求、供应和与客户的互动来促进动态定价的策略/优化；
**电子商务个性化** – RL 有助于分析消费者行为，并根据兴趣定制产品和服务；
**医疗行业** – RL 算法解决了动态治疗方案 (DTR) 问题，并处理临床数据以根据患者的输入决定治疗策略。
RL 确实具有创新性和目标导向性，重点是从与环境的交互中学习，从而推动业务价值。它可能是现实人工智能的浮力。
364 次查看
