Machine learning 什么是强化机器学习？

我知道有监督和无监督学习，但仍然不知道强化机器学习是如何工作的

---

有人能帮我举个恰当的例子吗？强化机器学习是指机器从经验中学习，反馈是“好”还是“坏”

一个典型的例子是为游戏培训代理。你首先开始用你拥有的数据（监督的）训练你的代理，当数据耗尽时，开始训练几个代理，让他们互相竞争。那些获胜的人正在得到“加强”，并继续前进

这是过去的一个“诀窍”（以前在）

。。。 因此，政策网络是 通过让他们互相比赛，利用 这些比赛是训练的信号。这就是所谓的强化 学习，甚至深度强化学习（因为网络 被训练的深度）

---

你提到了有监督和无监督的学习。 这三个方面略有不同

• 监督学习：每个数据元组都有标签

• 无监督学习：您没有元组的标签，但希望找到输入之间的关系

• 强化倾斜：稀疏条目的标签很少。这个标签就是奖励

强化学习是一个人如何了解新情况的过程。它采取任何随机行动，观察环境的行为，并据此学习

什么是奖励

奖励是来自环境的积极或消极反馈。一个行动对其未来的所有回报负责。因此，它需要采取能够在未来获得最大积极回报的行动

这可以通过Q-学习算法实现。我请你检查一下这个话题

我用强化算法训练pacman。我希望你知道这个游戏。我们的目标是采取行动，它不应该击中鬼魂，也应该能够采取地图上的所有点。它经过多次迭代和数千次游戏后进行自我训练。我也用同样的方法训练汽车在特定的轨道上行驶

---

强化学习可以用来训练AI学习任何游戏。！虽然更复杂的游戏需要神经网络，这被称为深度学习。

强化学习是一种因做了好事（或坏事）而得到奖励的模型。在有监督的学习中，模型可以学习的所有数据都由一些管理者来标注。这就是强化学习的美妙之处，该模型从其环境中获得直接反馈，并自动调整其行为。这是人类学习许多简单生活课程的方式（例如，避免伤害你的事情，做更多让你感觉良好的事情）

---

现在很多强化学习都集中在深度学习上，其中最大的例子就是关于视频游戏。强化学习也是一种强大的个性化工具。您可以将亚马逊推荐人视为一种强化学习算法，当它通过点击或购买来推荐正确的产品时会得到奖励，或者当用户开始观看电影时，netflix推荐人会得到奖励。

强化学习通常用于机器人、游戏和导航

通过强化学习，该算法通过反复试验发现哪些行为产生的回报最大

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（代理与之交互的一切）和行动（代理可以做什么）

目标是让代理选择在给定时间内使预期回报最大化的行动

---

通过遵循良好的策略，代理将更快地达到目标。因此，强化学习的目标是学习最佳策略。

虽然我确实喜欢你的许多答案，但我对这一答案并不太满意。当然很难总结出这么复杂的话题，但我不喜欢这些措辞和例子。（1）

反馈为“好”或“坏”

这表示二元奖励，但RL基于数字奖励（更一般）。（2） 游戏示例1：当然，这种有监督的预学习是可选的（如果数据可用，这是个好主意）。但这是不必要的。（3） *游戏示例2：这表示一些集合或多代理设置，这是可能的。但当然，单个代理也可以学习（通常使用imho）。