【Reinforcement leraning】

強(qiáng)化學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，用于描述和解決智能體（agent）在與環(huán)境的交互過程中通過學(xué)習(xí)策略以達(dá)成回報最大化或?qū)崿F(xiàn)特定目標(biāo)的問題1。強(qiáng)化學(xué)習(xí)是智能體（Agent）以“試錯”的方式進(jìn)行學(xué)習(xí)，通過與環(huán)境進(jìn)行交互獲得的獎賞指導(dǎo)行為，目標(biāo)是使智能體獲得最大的獎賞2。強(qiáng)化學(xué)習(xí)不同于連接主義學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，主要表現(xiàn)在強(qiáng)化信號上，強(qiáng)化學(xué)習(xí)中由環(huán)境提供的強(qiáng)化信號是對產(chǎn)生動作的好壞作一種評價（通常為標(biāo)量信號），而不是告訴強(qiáng)化學(xué)習(xí)系統(tǒng)如何去產(chǎn)生正確的動作2。

【SVM】

支持向量機(jī)（Support Vector Machine，SVM）是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機(jī)；SVM還包括核技巧，這使它成為實質(zhì)上的非線性分類器。支持向量機(jī)在文本分類、圖像識別、手寫字符識別、生物信息學(xué)等方面都有著廣泛的應(yīng)用123。

【AdaBoost】

AdaBoost是一種集成學(xué)習(xí)算法，它通過加權(quán)多個弱分類器來構(gòu)建一個強(qiáng)分類器。AdaBoost的基本思想是對于那些被前一輪分類器分錯的樣本，提高其權(quán)值，使得后一輪分類器能夠更加關(guān)注這些被分錯的樣本，從而提高分類器的準(zhǔn)確率。AdaBoost在人臉檢測、目標(biāo)識別、文本分類等領(lǐng)域都有著廣泛的應(yīng)用12。

【Random Forests】

隨機(jī)森林是一種集成學(xué)習(xí)算法，它通過構(gòu)建多個決策樹來進(jìn)行分類或回歸。隨機(jī)森林的基本思想是通過對訓(xùn)練數(shù)據(jù)進(jìn)行有放回的隨機(jī)抽樣，構(gòu)建多個決策樹，然后通過投票或取平均值的方式來決定最終的分類結(jié)果。隨機(jī)森林算法具有很好的魯棒性和準(zhǔn)確性，能夠有效地處理高維數(shù)據(jù)和大規(guī)模數(shù)據(jù)集。隨機(jī)森林算法在金融、醫(yī)療、電子商務(wù)等領(lǐng)域都有著廣泛的應(yīng)用。

【深度學(xué)習(xí)】

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)算法，它通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類或回歸。深度學(xué)習(xí)的基本思想是通過對訓(xùn)練數(shù)據(jù)進(jìn)行多次迭代，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，從而使得神經(jīng)網(wǎng)絡(luò)能夠自動地從數(shù)據(jù)中學(xué)習(xí)到特征和規(guī)律。深度學(xué)習(xí)算法具有很好的魯棒性和準(zhǔn)確性，能夠有效地處理高維數(shù)據(jù)和大規(guī)模數(shù)據(jù)集。深度學(xué)習(xí)算法在計算機(jī)視覺、自然語言處理、語音識別等領(lǐng)域都有著廣泛的應(yīng)用

另外一種關(guān)于機(jī)器學(xué)派的分類及認(rèn)識。

符號學(xué)派、聯(lián)結(jié)學(xué)派和貝葉斯學(xué)派1。這三個學(xué)派的區(qū)別和特點如下：

• 符號學(xué)派：將學(xué)習(xí)看作逆向演繹，并從哲學(xué)、心理學(xué)、邏輯學(xué)中尋求洞見。

• 聯(lián)結(jié)學(xué)派：對大腦進(jìn)行逆向分析，靈感來源于神經(jīng)科學(xué)和物理學(xué)。

• 貝葉斯學(xué)派：認(rèn)為學(xué)習(xí)是一種概率推理形式，理論根基在于統(tǒng)計學(xué)。