神经网络

神经网络是个模型，深度学习是一种方法。深度学习可以理解成用深度神经网络来进行机器学习，可以有效解决层数多的网络不好学习的问题。

深度学习（Deep Learning）

DNN （深度神经网络）将原始信号（例如RGB像素值）直接输入DNN，而不需要创建任何域特定的输入功能。通过多层神经元，DNN可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找”特征工程”的麻烦。

DNN也演变成许多不同的网络拓扑结构，CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络），转移学习（Transfer Learning），注意模型（attention model）。

深度学习模型：https://www.zhihu.com/question/38679133

强化学习（Reinforcement Learning）

强化学习有四个要素，环境模型、Agent（学习者）、回报函数、策略。其实就是一种奖惩机制，奖励那些适应性好的学习，惩罚那些适应性不好的学习。强化学习学习得非常快，因为每一个新的反馈都会影响随后的决定。

深度学习与强化学习的区别

深度学习的学习过程是静态的，强化学习的学习过程是动态的。静态与动态的区别在于是否会与环境进行交互，深度学习是给什么样本就学什么，而强化学习是要和环境进行交互，再通过环境给出的奖惩来学习。深度学习解决的更多是感知问题，强化学习解决的主要是决策问题。