深度学习 3 深度学习的用途

深度学习可用于有监督、无监督和增强机器学习。 它使用多种方法来处理这些问题。

监督式机器学习：监督式机器学习是一种机器学习技术，其中神经网络学习根据标记的数据集执行或分类数据。 在这里，我们输入两个输入特征以及目标变量。 神经网络学习基于目标和实际目标之间差异的成本或误差，这一过程称为反向传播。 卷积神经网络、递归神经网络等深度学习算法用于许多监督任务，例如图像分类和识别、情感分析、语言翻译等。

无监督机器学习：无监督机器学习是一种机器学习技术，其中神经网络学习发现基于未标记数据集的模式或聚类数据集。 这里没有目标变量。 计算机必须自行确定数据集中隐藏了哪些模式或关系。 深度学习算法（如自动编码器和生成模型）用于聚类、降维和异常检测等无监督任务。

增强的机器学习：强化机器学习是一种机器学习技术，在这种技术中，一个人学会在环境中做出决策，以最大化奖励信号。 人们通过采取行动和观察由此产生的奖励来与环境互动。 深度学习可用于学习策略或一系列操作，以最大限度地提高累积回报。 深度强化学习算法，如深度 Q 网络和深度确定性策略梯度 （DDPG），用于强化机器人和游戏等任务。