我知道有监督和无监督的学习，但仍然没有得到强化机器学习的工作方式。
有人可以用适当的例子帮助我吗？以及它如何运作的用例？
答案 0 :(得分：2)
增强机器学习是指机器从经验中学习，反馈是好的＆＃34;或者＆＃34;坏＆＃34;。
一个典型的例子是培训游戏代理商。您首先开始使用您拥有的数据（受监督）培训您的代理，当它耗尽时，开始培训多个代理并让彼此竞争。那些获胜的人正在得到加强＆＃34;并继续下去。
这是＆＃34;技巧之一＆＃34;用于train AlphaGo，（以前在TD-Gammon）
... 因此，政策网络 通过使用他们的结果让他们互相对抗来改善 这些游戏作为训练信号。这称为强化 学习，甚至深度强化学习（因为网络 受过训练很深。）
答案 1 :(得分：1)
您提到过有人监督和无监督学习。 这3个略有不同。
监督学习：每个元组都有标签。
无监督学习：您没有元组标签，但想要找到输入之间的关系
什么是奖励。？
奖励是来自环境的积极或消极反馈。行动负责其未来的所有奖励。因此，它需要采取那些可以在未来取得最大回报的行动。
这可以通过Q学习算法实现。我请你检查一下这个话题。
我使用强化算法训练pacman。我希望你知道这场比赛。我们的目标是采取行动，不应该击中鬼魂，也应该能够从地图中获取所有点数。它经过多次迭代和成千上万的游戏后自我训练。我也用同样的方法来训练一辆车在特定的赛道上开车！
强化学习可用于训练AI学习任何游戏。虽然更复杂的游戏需要神经网络，这就是所谓的深度学习。
答案 2 :(得分：1)
强化学习通常用于机器人技术，游戏和导航。
通过强化学习，该算法通过反复试验发现哪些动作产生了最大的回报。
这种类型的学习具有三个主要组成部分：主体（学习者或决策者），环境（主体与之交互的一切）和动作（主体可以做的事情）。
目标是使代理选择在给定的时间内最大化预期回报的操作。
遵循良好的政策，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。
答案 3 :(得分：0)
强化学习是一种模型，可以因做得好（或坏）而得到奖励。在监督学习的情况下，由策展人标记模型可以从中学习的所有数据。这就是强化学习的妙处，该模型从其环境中获得直接反馈并自动调整其行为。这是人们从我们的许多简单生活课程中学习的方式（例如，避免对您造成伤害的事情，更多让您感觉良好的事物）
这些天，很多强化学习都集中在深度学习上，最大的例子是关于视频游戏。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器视为一种强化学习算法，当它通过点击或购买来推荐合适的产品时会获得奖励，或者当用户开始观看电影时会奖励netflix推荐器。