增强和机器学习

快捷方式: 差异，相似，杰卡德相似系数，参考。

增强和机器学习之间的区别

增强 vs. 机器学习

增強（Reinforcement），或称强化，是行为主义心理学中的一个重要概念，是关于理解和修正人的行为的一种学说。 科学研究发现，人类或动物为达到某种目的，会于所处的环境下采取特定行为；当这种行为带来的某種反應或后果对他有利时, 这种行为就会在以后重复出现，而該結果就稱為“增強物”；反之亦然，当其行为会对他带来不利时，这种行为就自然减弱或消失，个体对行为结果所产生的后续反应，就是以操作性条件反射进行的。而由于“增強物”的適時出現，增加了個體以後在相同情形下重複这种行为的機率，這表示“增強物”對於個體的反應起了強化作用。此種强化作用，即稱之為「增強」。 “增强”这一概念的提出源于美国心理学家愛德華·桑代克，后经约翰·布罗德斯·华生、克拉克·L·赫爾等人的发展、修订，到新行为主义代表人物伯尔赫斯·弗雷德里克·斯金纳达到了一定的理论高度并发扬光大。他们都认为强化作用是决定人和动物所作所为的关键因素，并可以用这种“正强化”或“负强化”的办法来影响行为的后果，从而修正其行为。. 机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。 机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。.