标签：发展 人工智能 算法 学习 Geoffrey 神经网络 BP 关键技术 DQN
人工智能，机器学习，神经网络，深度学习的相互关系
机器学习
强化学习 也称为增强学习，通过与环境进行交互来学习解决问题的策略的一类算法。与有监督、无监督学习不同，强化学习问题并没有明确的“正确的”动作监督信号，算法需要与环境进行交互，获取环境反馈的滞后的奖励信号，因此并不能通过计算动作与“正确动作”之间的误差来优化网络。常见的强化学习算法有 DQN，PPO 等。
神经网络发展史
| 浪潮 | 代表人物 | 代表技术 | 进入低谷的原因 |
|---|---|---|---|
| 第一次 | Warrent McCulloch,Walter Pitts | MP神经元模型 | 无法解决XOR问题 |
| 43-69 | Frank Rosenblatt | Mark1 感知机 | |
| 第二次 | John Hopfild | Hopfild 网络 | 神经网络缺乏完备的理论支持，效果又不如SVM |
| 82-95 | David Rumelhart 和 Geoffrey Hinton | CNN,RNN,BP算法 | |
| Yann LeCun | BP算法应用于图像识别 | ||
| Jürgen Schmidhuber | LSTM | ||
| 第三次 | Geoffrey Hinton | 多层神经网络/deep learning | 兴起的原因：数据量和算力的提高 |
| 06- | Xavier Glorot | ReLU激活函数 | |
| Alex Krizhevsky | AlexNet/Dropout | ||
| 牛津大学Oxford Visual Geometry Group | VGG | ||
| GooLeNet | |||
| HeKaiMing | ResNet | ||
| Gao Huang，Zhuang Liu | DenseNet | ||
| Ian Goodfellow | GAN | ||
| DeepMind | DQN | ||
| BERT |
浅层神经网络的时间发展线
深层神经网络的时间发展线
TensorFlow 深度学习框架的 3 大核心功能
a) 加速计算 ，充分利用GPU
b) 自动梯度
c) 常用神经网络接口
标签：发展,人工智能,算法,学习,Geoffrey,神经网络,BP,关键技术,DQN 来源： https://www.cnblogs.com/Alexkk/p/12335256.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。