解释机器学习：了解监督，无监督和强化学习
机器学习正在指导人工智能功能。
图像分类，推荐系统和游戏中的AI是我们日常生活中机器学习功能的流行用法。如果进一步细分机器学习，我们会发现这3个机器学习示例由不同类型的机器学习提供支持：
图像分类来自监督学习。
推荐系统来自无监督学习。
游戏AI来自强化学习。
我们如何更好地理解监督学习，无监督学习和强化学习？
让我们从监督学习开始，该学习构成了当今机器学习的大部分用途。在监督学习中，机器在开始执行算法之前已经知道算法的输出。通过指导机器的训练数据集教授算法，然后机器计算出从输入到输出的步骤。监督学习用于图像分类或身份欺诈检测以及天气预报。但是无监督学习有何不同？
首先，在无监督学习的情况下，该系统没有任何具体的数据集，而且结果几乎也是未知的。无监督学习具有解释和查找无穷数据量的解决方案的能力。现在，当您登录Hulu或Netflix时，由于无监督学习，您将获得个性化的建议。
最后是强化学习。强化学习是不同的，因为它为软件代理和机器提供了高度的控制权，它们决定了上下文中的行为。人们通过最大化性能，向机器提供反馈，帮助机器学习行为来帮助机器发??展。
强化学习需要使用大量不同的算法，在座席根据当前结果决定最佳行动时对其进行控制。在PC，Xbox，Playstation或Nintendo上进行游戏时，您亲眼目睹了游戏中的AI，这是因为强化学习。
题库