机器学习vs.人工智能：定义和重要性(2)

强化学习通常用于机器人、游戏和导航。有了它，算法通过尝试和错误发现，哪些行为会带来更大的回报。这种类型的学习有三个主要组成部分：代理(学习者或决策者)、环境(代理与之交互的所有内容)和行动(代理可以做什么)。目标是让代理选择在给定时间段内最大化预期回报的行动。如果代理遵循一个好的政策，可以更快地实现目标。因此，强化学习的重点是找出最佳策略。

虽然所有这些方法都有相同的目标，提取可用于决策的见解、模式和关系，但它们具有不同的方法和功能。

数据挖掘可以被视为从数据中提取洞察力的许多不同方法的超集。它可能涉及传统的统计方法和机器学习。数据挖掘应用来自多个区域的方法来识别数据中先前未知的模式。这可能包括统计算法、机器学习、文本分析、时间序列分析和其他分析领域。数据挖掘还包括数据存储和操作的研究和实践。

通过机器学习，目的是了解数据的结构。因此，统计模型背后有一个理论是经过数学证明的，但这要求数据也满足某些假设。机器学习是从使用计算机检查数据结构的能力发展而来的，即使人们不知道这种结构是什么样子的。机器学习模型的测试是新数据中的验证错误，而不是证明空假设的理论测试。由于机器学习通常使用迭代的方法从数据中学习，因此可以轻松地自动学习。这些步骤通过数据执行，直到找到一个可靠的标准。

深度学习结合了计算能力的进步和特殊类型的神经网络，以学习大量数据中的复杂模式。深度学习技术是当今最先进的技术，用于识别图片中的对象和语音中的单词。研究人员正在尝试将模式识别方面的成功应用于更复杂的任务，例如机器翻译、医疗诊断以及许多其他社会和企业问题。

尽管人工智能和机器学习的概念早已出现，但它们开始成为主流应用的一部分。但是，现在仍处于起步阶段。如果人工智能和机器学习有用并且令人印象深刻，当得到更好的训练和改进时，其实施将会更加有效。

【编辑推荐】

1. 人工智能在金融保险业的三大重要趋势
2. 机器学习中如何处理不平衡数据？
3. 机器学习的七大谣传，这都是根深蒂固的执念吧
4. 流行的十四个机器学习编程语言框架和工具
5. 2019汽车人工智能计算技术及市场趋势

（编辑：ASP站长网）