（這是寫給自己看的，大佬請忽略）
深度學習和其他機器學習演算法最大的不同在於如何找到特徵，而特徵的抽取過程就是乙個抽象的全過程。以往機器學習演算法的特徵抽取都是對一類問題有解，比如k-means等聚類。深度學習抽象模擬了人類神經元傳遞和連線方式，理論上可以解決多種分類問題和**問題，甚至研究未知領域。
（深度學習優化 第十章 深度強化學習）
深度強化學習將深度學習的感知能力和強化學習的決策能力相結合，直接根據輸入的影象進行控制，是一種更接近人類思維方式的人工智慧方法。眾所周知，在人工智慧領域，感知、認知和決策的能力都是衡量智慧型的指標。深度學習（深度神經網路）是使得感知能力得到進一步提公升與巨大突破的核心技術，同時，強化學習的學習機制是不斷的與環境進行互動，以試錯的方式得到最優策略,是使得決策能力持續收益的關鍵技術。
深度q網路是谷歌deepmind於2023年提出的乙個深度強化學習演算法，它將深度q網路應用在計算機網遊戲上，和人類一樣，使用視覺資訊作為輸入。符號q表示在某一狀態下執行某一操作時所獲取的分數或質量。深度q網路種，僅使用值網路表示評估模組，其核心思想是：基於值網路，遍歷某一狀態下各種動作的價值，然後選擇價值最大的乙個動作輸出。由於深度卷積神經網路在影象處理有著天然的優勢，將其與強化學習中的q學習相結合處理影象資料的感知決策任務是目前主流方向之一。
目前，依託大量訓練資料集而成功的深度學習技術已在計算機視覺和語音處理領域取得諸多突破性成果。依賴先驗知識挖掘或統計物理特性的特徵工程（包括特徵提取與體徵選擇）將被基於深度學習技術下的特徵學習所替代。特徵學習與特徵工程分別是用於深度學習和機器學習下挖掘資料中所蘊涵的某種語義或特徵特性的倆中方法。通常q學習技術依賴於人工特徵的選取，智慧型體學習的好壞嚴重取決於特徵選取的質量。深度q學習的動機是基於卷積神經網路的特徵學習，將q學習中的人工特徵提取技術替換為深度學習下的特徵學習。
應用舉例（alphago）
計算機圍棋被認為是人工智慧領域的一大挑戰，本質是搜尋
總結：強化學習的本質為馬爾可夫決策過程，宇機器學習中監督學習不一樣，強化學習不給定輸入所對應的標註，而是給乙個回報函式，即決定在某種狀態下執行某種動作的收益。強化學習的效能的優劣取決於人工特徵提取技術，深度學習的優勢恰好可以彌補這一短板。
深度強化學習
一 簡介 1 深度強化學習出現的原因 傳統的強化學習中當狀態和動作空間是離散且維數不高時可使用q table儲存每個狀態動作對的q值。然而比較複雜的 更加接近實際情況的任務則往往有著很大的狀態空間和連續的動作空間，這種情況下使用q table不現實。同時實現端到端的控制也是要求能處理高維的，如影象 ...
深度強化學習
強化學習 reinforcement learning 與深度學習同屬機器學習的範疇，是其中 一 個重要的分支，主要用來解決連續決策的問題。強化不像無監督學習那樣完全沒有學習目標,也不像監督學習那樣有非常明確的目標 如影象分類問題中的label 強化學習的目標是不明確的，模型只會向著能夠得到更多獎勵...
深度強化學習簡介
強化學習 reinforcement learning 是機器學習的乙個重要分支，它是用來解決連續決策的問題。強化學習的應用範圍十分廣泛，幾乎包括了所有需要做一系列決策的問題，例如控制電擊讓它執行特定任務，玩棋牌遊戲 alphago 等。它能應用到有序列輸出的問題中，即針對一系列變化的環境狀態，輸出...