1楼：匿名用户
是的，都算人工智能里面的内容
不过他们不属于同一个层次的
深度学习是机器学习里面的一种模型，而强化学习是一种问题深度学习所使用的模型可以用来实现强化学习的问题人工智能是模拟人行为的学科，曾经各种尝试，目前最成功的是机器学习方**，机器学习方**是用数据来调优模型，达到模拟解决问题的一个精度，近似实现智能行为，深度学习是机器学习里面效果最好的一类模型
深度学习和深度强化学习有什么区别？
2楼：潞寶妳不懂
强化学习和深度学习是两
种技术，只不过深度学习技术可以用到强化学习上，这个就叫深度强化学习.
1.强化学习其实也是机器学习的一个分支，但是它与我们常见的机器学习不太一样。它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。
强化学习是一种标记延迟的监督学习。
2.强化学习实际上是一套很通用的解决人工智能问题的框架，很值得大家去研究。另一方面，深度学习不仅能够为强化学习带来端到端优化的便利，而且使得强化学习不再受限于低维的空间中，极大地拓展了强化学习的使用范围。
深度学习和深度强化学习的区别
3楼：潞寶妳不懂
强化学习
和深度学习是两种技术，只不过深度学习技术可以用到强化学习上，这个就叫深度强化学习.
1.强化学习其实也是机器学习的一个分支，但是它与我们常见的机器学习不太一样。它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。
强化学习是一种标记延迟的监督学习。
2.强化学习实际上是一套很通用的解决人工智能问题的框架，很值得大家去研究。另一方面，深度学习不仅能够为强化学习带来端到端优化的便利，而且使得强化学习不再受限于低维的空间中，极大地拓展了强化学习的使用范围。
4楼：flash胜龙
强化学习要求agent去探索环境，然后对状态进行evaluate，在每一个状态下agent可以选择多种action，每次选择的依据可以是贪婪或者softmax等，但是得到的reward是无法表明当前的选择是正确的还是错误的，得到的只是一个score，监督学习的labels可以给agent简洁明了的correct or wrong，并且在agent 在对环境充分的探索前即在每一种状态下选择的每个action的次数不够多时，无法充分求expect，并且在action之间也无法进行对比择优。但是当监督学习的label信息有噪声干扰或者是利用一些active learning 获得到的labels的时候，强化学习的agent与环境直接交互获取到的信息是更加可靠。
强化学习也是使用未标记的数据，但是可以通过某种方法知道你是离正确答案越来越近还是越来越远（即奖惩函数）。传统的“冷热游戏”（hotter or colder，是美版捉迷藏游戏 huckle buckle beanstalk 的一个变种）很生动的解释了这个概念。你的朋友会事先藏好一个东西，当你离这个东西越来越近的时候，你朋友就说热，越来越远的时候，你朋友会说冷。
冷或者热就是一个奖惩函数。半监督学习算法就是最大化奖惩函数。可以把奖惩函数想象成正确答案的一个延迟的、稀疏的形式。
在监督学习中，能直接得到每个输入的对应的输出。强化学习中，训练一段时间后，你才能得到一个延迟的反馈，并且只有一点提示说明你是离答案越来越远还是越来越近。
deepmind 在自然杂志上发表了一篇** ，介绍了他们把强化学习和深度学习结合起来，让神经网络学着玩各种雅达利(atari)游戏（就是各种街机游戏），一些游戏如打砖块（breakout）非常成功，但是另一些游戏比如蒙特祖玛的复仇，就表现的很糟糕。
5楼：匿名用户
强化学习其实也是机器学习的
一个分支，但是它与我们常见的机器学习（比如监督学习supervised
learning）不太一样。它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。强化学习是一种标记延迟的监督学习。
强化学习实际上是一套很通用的解决人工智能问题的框架，很值得大家去研究。另一方面，深度学习不仅能够为强化学习带来端到端优化的便利，而且使得强化学习不再受限于低维的空间中，极大地拓展了强化学习的使用范围。
6楼：匿名用户
深度强化学习就是在传统强化学习的基础上增加了神经网络，如q-learning上加了网络变成dqn就是深度强化学习了，通过深度网络来拟合函数获得q值，解决q-table面对连续状态和高维动作空间时很吃力的问题。
深度学习跟人工智能啥区别？
7楼：中公教育it优就业
人工智能是一个宏大的愿景，目标是让机器像我们人类一样思考和行动，既包括增强我们人类脑力也包括增强我们体力的研究领域。而学习只是实现人工智能的手段之一，并且，只是增强我们人类脑力的方法之一。所以，人工智能包含机器学习。
机器学习又包含了深度学习。
人工智能是一个最广泛的概念，人工智能的目的就是让计算机这台机器能够象人一样思考，而机器学习是人工智能的分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，使之不断改善自身的性能。
深度学习是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层(神经网络)对数据进行高层抽象的算法。
8楼：it小敏同学
首先概念不同
人工智能是一个最广泛的概念，人工智能的目的就是让计算机这台机器能够象人一样思考，而机器学习(machine learning)是人工智能的分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，使之不断改善自身的性能。
深度学习是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层（神经网络）对数据进行高层抽象的算法。
其次呢机器学习直接**于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、em、adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。
最后就是，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系。
综上所述，深度学习源于人工智能、高于人工智能，将是人工智能未来的实现方式，同时大家可以关注一下中公教育最近联合中科院专家新推出的深度学习课程，8大模块、6大项目支持。
9楼：匿名用户
人工智能、机器学习和深度学习三者的关
人工智能、机器学习和深度学习三者的关
参考：5分钟搞懂什么是深度学习
10楼：匿名用户
现在人工智能效果最好的技术是深度学习
人工智能是一个大的目标 就是模拟人
实现路径目前以机器学习为主，机器学习是用数据进行建模 达到解决问题 这么一种的方法，
深度学习是机器学习一个子集
11楼：寂静的枫林玖
机器学习是一种实现
人工智能的方法，深度学习是一种实现机器学习的技术。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。
无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
如何深度强化学习 人工智能和深度学习的进阶
12楼：以道教育
传统上，强化学习在人工智能领域占据着一个合适的地位。但强化学习在过去几年已开始在很多人工智能计划中发挥更大的作用。其最佳的应用点在于计算艾真体(agent)在环境上情境化的决策场景中要采取的最佳行动。
强化学习非常适合自主决策，因为单靠监督学习或无监督学习技术无法完成任务
传统上，强化学习在人工智能领域占据着一个合适的地位。但强化学习在过去几年已开始在很多人工智能计划中发挥更大的作用。其最佳的应用点在于计算艾真体(agent)在环境上情境化的决策场景中要采取的最佳行动。
强化学习使用试错法将算法奖励函数最大化，它非常适用于it运营管理、能源、医疗保健、商业、金融、交通和金融领域的很多自适应控制和艾真体自动化应用。它用来训练人工智能，它为传统的重点领域提供支持——机器人技术、游戏和模拟——以及边缘分析、自然语言处理、机器翻译、计算机视觉和数字助理等新一代人工智能解决方案。
强化学习也是物联网中自主边缘应用程序开发的基础。很多边缘应用程序的开发(工业、交通、医疗和消费应用)涉及对注入了人工智能的机器人技术的构建，这些技术可以在动态环境条件下以不同程度的情境自主性进行操作。
强化学习如何工作
在这样的应用领域中，边缘设备的人工智能大脑必须依赖强化学习，由于在这里缺少预先存在的“真实值(ground truth)”训练数据集，他们试图将累计奖励函数最大化，例如根据规范中包含的一组标准组装一个生产组件。这与其它类型的人工智能的学习方式形成对比，后者要么是(像监督学习一样)对相对于真实值数据的算法上的损失函数进行最小化，要么(像无监督学习一样)对数据点之间的距离函数进行最小化。
但是，这些人工智能学习方法不一定是孤岛。最有趣的人工智能趋势之一是强化学习与更高级的应用程序中的监督学习和无监督学习的融合。人工智能开发人员将这些方法融入到仅凭单一的学习方法不足为用的应用程序中。
例如，监督学习本身在没有标记的训练数据的情况下是无用的，在自动驾驶这样的应用中往往缺乏标记的训练数据，在这里，每个瞬时的环境情况本质上都是未标记且独特的。同样，无监督学习(使用聚类分析来检测传感器馈源和其它复杂的未标记数据中的模式)并非用来发现智能终端在真实世界的决策场景中应采取的最佳操作。
什么是深度强化学习
然后是深层强化学习，这是一种领先的技术，在这种技术中，自治的艾真体(autonomous agent)使用强化学习的试错算法和累计奖励函数来加速神经网络设计。这些设计为很多依靠监督和/或无监督学习的人工智能应用程序提供支持。
深度强化学习是人工智能开发和培训管道自动化的核心重点领域。它涉及对强化学习驱动的艾真体的使用，以快速探索与无数体系结构、节点类型、连接、超参数设置相关的性能权衡，以及对深度学习、机器学习和其他人工智能模型设计人员可用的其它选择。
例如，研究人员正在使用深度强化学习来快速确定哪一种深度学习卷积神经网络(**n)架构可能用于解决特征工程、计算机视觉和图像分类中的各种难题。人工智能工具可能会使用从深度强化学习获得的结果来自动生成最佳**n，使用tensorflow、mx***或pytorch等深度学习开发工具来完成该任务。
在这方面，看到强化学习发展和培训的开放框架的出现是鼓舞人心的。你在探索深度强化学习时可能需要探索下面这些强化学习框架，这些框架利用、扩展并与tensorflow和其它深度学习和机器学习建模工具接合，这些工具已得到广泛采用：
强化学习
人工智能开发人员需要的强化学习技能
展望未来，人工智能开发人员将需要沉浸在这些框架和其它框架中实施的各种强化学习算法中。你还需要加深对多艾真体强化学习架构的理解，这其中有很多架构大量利用老牌的博弈论研究机构。你还要熟悉深度强化学习，以此来发现计算机视觉应用中与名为“模糊”的攻击方法相关的安全漏洞。