原创 不同AI学习方法之间的关系

　　AI是一个很大的范畴，包括专家系统，知识表示，机器学习等，其中机器学习是目前最火也是发展最好的一门学科，又包括了监督学习，非监督学习，深度学习，增强学习等。

　　监控学习，也就是人们常说的分类，它是通过已有的训练样本(即已知的数据和相应的输出)来获得一个最优的模型(它属于某一函数的集合，并且最优的表示在某一评估准则下是最好的)。

　　再次利用该模型，将所有的输入映射到相应的输出上，对输出进行简单的判断，从而达到分类的目的，同时也达到了对未知数据分类的目的。

　　例如，我们在幼儿园时经常做的一项活动就是看图识字，老师会给我们看很多图片，下面配文字，时间长了，脑子里就会形成抽象的概念，两角一尾，胖胖的(特点)…这种动物是牛；圆、黄、亮、挂在天上…是太阳。当我们再次看见相似的事物时，我们就会认出它，即使它与我们之前看到的并不完全相同，但与我们大脑中形成的概念相符

　　无监督学习是另一种被广泛研究的学习方法，它不同于监督学习的地方在于，我们之前没有任何训练样本，而是需要直接模拟数据。

　　举例来说，如果需要将下面的方块和圆圈分为两类，而又不需要训练集，那么将如何进行分类？

　　无监督学习是指在不知道数据集分类的情况下对数据进行特征搜索。

　　在机器学习的基础上发展起来的深度学习是一个新的领域，它是由人脑结构所启发的神经网络算法以及模型结构的深度发展而来的，并且随着大数据和计算能力的不断提高而产生的一系列新算法。

　　作为机器学习的一个延伸，深度学习被应用于图像处理、计算机视觉、自然语言处理和语音识别等领域。

　　从2006年到现在，学术界和产业界在深度学习的研究和应用方面的合作已经在上述领域取得了突破性进展。作为一个例子，基于图像网络的经典目标识别竞赛，它超越了所有传统算法，获得了前所未有的精度。

　　强化学习也是机器学习的一个重要分支，它通过观察学习如何做出动作。每一个行为都会对环境产生影响，而学习对象是通过观察周围环境的反馈来作出判断的。