智能算法和机器学习的关系_智能计算与机器学习_no__good的博客-CSDN博客https://blog.csdn.net/no___good/article/details/127397572?spm=1001.2014.3001.5501

1、人工智能

        1956年，计算机科学家 John McCarthy提出了“人工智能”的概念，是指在处理任务时具有人类智力特点的机器，包括具有组织和理解语言，识别物体和声音，以及学习和解决问题等能力。从人工智能的概念被提出到目前为止，人工智能的研究领域在不断扩大，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。

        通常将人工智能分为弱人工智能和强人工智能:弱人工智能让机器具备观察和感知的能力，可以做到一定程度的理解和推理;而强人工智能让机器获得自适应能力，解决一些之前没有遇到过的问题。

        目前的科研工作都集中在弱人工智能这部分，而实现弱人工智能的最主要途径是机器学习。

2、机器学习

        机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

        机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。

        传统的机器学习算法在指纹识别、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

3、深度学习

        最初的深度学习是利用深度神经网络（DNN）来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。目前，DNN演化出了许多不同的网络拓扑结构，包括：卷积神经网络（CNN）、递归神经网络（RNN）、长期短期记忆网络（LSTM）、生成对抗网络（GAN）等。

        深度学习是一种机器学习的技术，也是现在机器学习最常用的一些手段。目前，深度学习在计算机视觉，语音识别，自然语言处理(NLP)等领域取得了使用传统机器学习算法所无法取得的成就。

计算机科学家重新使用神经网络的许多层来完成这些人类模仿的任务。这给DNN（深度神经网络）带来了新的生机，并在图像分类和语音识别任务方面提供了重大突破。DNN的主要区别在于，你可以将原始信号（例如RGB像素值）直接输入DNN，而不需要创建任何域特定的输入功能。通过多层神经元（这就是为什么它被称为“深度”神经网络），DNN可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找“特征工程”的麻烦，这是数据科学家们最喜欢看到的。

4、强化学习

        强化学习，又称再励学习或者评价学习，也是机器学习的技术之一。强化学习是智能体自主探索环境状态，采取行为作用于环境并从环境中获得回报的过程。强化学习和其他人工智能技术有一个很大的差异，那就是它的学习范式和其它技术不太一样。不需要我们去收集数据，也不需要我们去做任何标记，而是我们把称之为智能体(Agent)，放在一个环境里，就像动物或者我们自己生存的—个环境里，它会和环境自己打交道，自己学会在环境里如何完成一个任务，解决一个问题。

        强化学习框架如图所示。智能体在当前状态s下，采取行为a，根据状态转移函数T，环境会转移到下一状态s**'，同时环境会对智能体反馈一个奖励信号，即回报r。智能体在下一状态按照上述过程依次进行，直到达到终止状态。智能体的目标是通过不断地训练，获得最大化的长期回报。

基于：智能体和环境

要素：状态、策略、动作、奖励

5、区分

·深度学习是需要训练者提供数据集的，即需要告诉网络训练集和验证集，比如视觉识别中常常使用深度学习，来识别目标。

·强化学习无需数据集，根据自身网络不断试错，对外界交互产生的反馈作为奖励来不断调整网络参数，比如机械臂控制，把机械臂抓取成功当作奖励，然后自身生成新的网络参数进行下一轮训练。

 常用的比如深度强化学习，是将深度学习和强化学习相结合，比如用深度学习的方法训练网络在视频中检测小球，仿真拟定机械臂抓取小球成功为奖励反馈给强化学习网络，或者通过摄像头拍摄的画面或者传感器判断机械臂是否抓取到小球。这就完成了深度强化学习的训练过程。