Q49｜AI进阶：如何设计学习优先级？
王天一
作者介绍：王天一，工学博士，副教授
Q：在深度学习、传统机器学习和强化学习之间，如何设计学习优先级？
王天一：关于深度学习、传统机器学习和强化学习的学习优先级这个问题，我的建议是首先夯实传统机器学习的基础，再学习深度学习，再根据需要来学习强化学习。
眼下我们所谈及的机器学习，绝大多数的情况下指的都是统计学习。统计学习基于可用的数据构建数学模型，旨在发现数字背后的统计规律，从而对未知数据做出预测。机器学习所描述的这种规律通常具有简约的形式，要么表示为解析式，要么表示为规则集，前者的 典型代表是线性模型及其衍生模型，后者的代表是决策树及其衍生模型。
但在实际生活中，待发现的规律（如果存在的话）往往非常复杂，其复杂性一方面体现在涉及到的影响因子的数量之庞大，另一方面则体现在不同影响因子之间的相互作用之繁杂。刻画这样复杂的规律需要层次化的深度架构，这正是深度学习的核心特征。虽然深度 学习的表达能力与精确性能够远超传统方法，但其本质和机器学习并无二致，都是对统计规律的建模。
强化学习要发现的目标不是规律，而是策略；其使用的资源也不是静态的数据集，而是与外部环境之间的动态交互，可以理解为在不断试错的过程中找到最优的行动方案，这决定了强化学习在训练方法和应用场景上都与前两者有所不同。如果要开发具有决策功能的智能体，强化学习就是必须掌握的工具。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. 机器学习的核心是对统计规律的建模，通常具有简约的形式，可以表示为解析式或规则集。 2. 深度学习的表达能力与精确性能够远超传统方法，其本质与机器学习并无二致，都是对统计规律的建模。 3. 待发现的规律往往非常复杂，需要层次化的深度架构，这正是深度学习的核心特征。 4. 强化学习的目标是发现策略，其使用的资源是与外部环境之间的动态交互，可以理解为在不断试错的过程中找到最优的行动方案。 5. 强化学习在训练方法和应用场景上与深度学习和传统机器学习有所不同，是必须掌握的工具，特别适用于开发具有决策功能的智能体。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《致程序员：AI 百问百答》，新⼈⾸单¥0.11
《致程序员：AI 百问百答》，新⼈⾸单¥0.11
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论