AI小白必讀：深度學習、遷移學習、強化學習別再傻傻分不清
摘要：諸多關於人工智慧的流行辭彙縈繞在我們耳邊，比如深度學習 (Deep Learning)、強化學習 (Reinforcement Learning)、遷移學習 (Transfer Learning)，不少人對這些高頻辭彙的含義及其背後的關係感到困惑，今天就為大家理清它們之間的關係和區別。
一. 深度學習：
深度學習的成功和發展，得益於算力的顯著提升和大數據，數字化後產生大量的數據，可通過大量的數據訓練來發現數據的規律，從而實現基於監督學習的數據預測。
基於神經網路的深度學習主要應用於影像、文本、語音等領域。
2016年的 NIPS 會議上，吳恩達給出了一個未來AI方向的技術發展圖：
監督學習（Supervised learning）是目前商用場景最多，成熟度最高的AI技術，而下一個商用的AI技術將會是遷移學習（Transfer Learning），這也是 Andrew 預測未來五年最有可能走向商用的AI技術。
二. 遷移學習：
遷移學習：用相關的、類似數據來訓練，通過遷移學習來實現模型本身的泛化能力，是如何將學習到知識從一個場景遷移到另一個場景。
拿影像識別來說，從白天到晚上，從冬天到夏天，從識別中國人到 識別外國人……
借用一張示意圖（From：A Survey on Transfer Learning）來進行說明：
遷移學習的價值體現在：
1.一些場景的數據根本無法採集，這時遷移學習就很有價值；
2.復用現有知識域數據，已有的大量工作不至於完全丟棄；
3.不需要再去花費巨大代價去重新採集和標定龐大的新數據集；
4.對於快速出現的新領域，能夠快速遷移和應用，體現時效性優勢；
關於遷移學習演算法的實踐總結：
1. 通過原有數據和少量新領域數據混淆訓練；
2. 將原訓練模型進行分割，保留基礎模型（數據）部分作為新領域的遷移基礎；
3. 通過三維模擬來得到新的場景影像（OpenAI的Universe平台藉助賽車遊戲來訓練）；
4. 藉助對抗網路 GAN 進行遷移學習 的方法；
三. 強化學習：
強化學習：全稱是 Deep Reinforcement Learning（DRL），讓機器有了自我學習、自我思考的能力。
目前強化學習主要用在遊戲 AI 領域，最出名的應該算AlphaGo的圍棋大戰。強化學習是個複雜的命題，Deepmind 大神 David Silver 將其理解為這樣一種交叉學科：
實際上，強化學習是一種探索式的學習方法，通過不斷 「試錯」 來得到改進，不同於監督學習的地方是 強化學習本身沒有 Label，每一步的 Action 之後它無法得到明確的回饋（在這一點上，監督學習每一步都能進行 Label 比對，得到 True or False）。
強化學習是通過以下幾個元素來進行組合描述的：
對象（Agent）
也就是我們的智慧主題，比如 AlphaGo。
環境（Environment）
Agent 所處的場景－比如下圍棋的棋盤，以及其所對應的狀態（State）－比如當前所對應的棋局。
Agent 需要從 Environment 感知來獲取回饋（當前局勢對我是否更有利）。
動作 (Actions)
在每個State下，可以採取什麼行動，針對每一個 Action 分析其影響。
獎勵 (Rewards)
執行 Action 之後，得到的獎勵或懲罰，Reward 是通過對 環境的觀察得到。
