什么是强化学习？人工智能如何训练

无法参加 Transform 2022？立即在我们的点播库中查看所有峰会会议！看这里。

强化学习有哪些有用的开源选项？ 主要供应商如何处理强化学习？ 人工智能初创公司如何处理强化学习？ 强化学习有什么不能做的吗？

机器学习 (ML) 可以被认为是人工智能 (AI) 的核心子集，而强化学习可以是人们在思考 AI 时所想象的 ML 的典型子集。

强化学习是机器学习算法、机器人等的过程。可以对复杂的、实时的、现实世界的环境进行编程，以最佳地实现预期的目标或结果。想想自动驾驶汽车带来的挑战。

所涉及的算法还可以从考虑和应对新情况的过程中“学习”或改进。

有时可以通过大量“训练数据”集“训练”其他形式的机器学习，通常允许算法根据训练数据的关系和结果对数据进行分类或分组（或识别模式）。机器学习算法从训练数据开始，然后创建模型来捕捉数据中嵌入的一些模式和教训。

事件

元节拍 2022

MetaBeat 将于 10 月 4 日在加利福尼亚州旧金山汇聚思想领袖，就元界技术将如何改变所有行业的沟通和开展业务的方式提出建议。

在这里注册

强化学习是训练过程的一部分，通常在部署后模型工作时发生。从环境中捕获的新数据用于改进和调整模型以适应当前世界。

强化学习是通过基于“奖励”和“惩罚”的反馈循环来完成的。科学家或用户创建通过和失败结果的列表，然后 AI 使用它们来拟合模型。这可能会改变模型中的某些权重，甚至根据新的奖励或惩罚重新评估部分或全部训练数据。

例如，自动驾驶汽车可能有一组预先确定的简单奖励和惩罚。如果算法准时到达并且没有像紧急制动或快速加速等突然换档，该算法将获得奖励。如果汽车撞到路边、遇到严重的交通拥堵或意外刹车，算法就会受到惩罚。该模型可以通过仔细注意导致不良结果的过程来回收。

在某些情况下，强化会在实际部署期间和之后发生。在其他情况下，模型在模拟中被改进，生成可以奖励或惩罚算法的合成事件。这些模拟对于像自动驾驶汽车这样的系统特别有用，这些系统在实际部署中测试起来既昂贵又危险。

在许多情况下，强化学习只是主要学习算法的扩展。在使用模型后，它会一遍又一遍地迭代相同的过程。阶段相似，奖励和惩罚是长期的一部分......