Add machine learning applications

8_app/README.md

@@ -0,0 +1,12 @@
+# 机器学习应用
+
+
+以机器学习为代表的各种智能方法不仅应用于图像识别、语音识别、自然语言处理等传统领域，在环境感知、智能决策等方向也得到了广泛的应用，最近几年也开始延伸到气动、强度、结构设计等领域，极大地优化了设计效率和效果。随着认知学习的快速发展，机器学习技术也拓展到了化学、物理、生物等学科的实验数据处理、知识发现，从而极大地拓宽了人类认知边界。按照目前技术发展的态势，机器学习将更多地应用于各行各业的各种任务中，带来翻天覆地的变化。由于机器学习的应用领域比较多，本节简要梳理几类比较重要的应用，并对其进行分析，帮助读者建立对机器学习重要性的认识。
+
+
+
+## 内容
+
+* [目标检测](app_1_object-detection/README.md)
+* [深度强化学习](app_2_dqn/README.md)
+

8_app/app_1_object-detection/README.md

@@ -0,0 +1,4 @@
+# 目标检测
+
+目标检测（Object Detection）是视觉感知的第一步，也是计算机视觉的一个重要研究和应用方向。目标检测是指在静态图像或视频中，定位出某些特定目标的位置，一般以包围框（Bounding Box）的形式给出结果，在多类目标的应用场景下还需要给出每个检出目标的具体类别。与图像分类中一张图赋予一个类别以及图像分割的一个像素赋予一个类别的模式不同，目标检测需要预测包围框的位置和所框对象类别两类对象。也就是说，目标检测任务期望达到的理想目标是``类别判断准”且``框的位置准”。目标检测算法在深度学习的应用下逐渐成为近年来的研究热点，在人工智能和信息技术的许多领域都有广泛的应用，包括机器视觉、安全监控、自动驾驶、人机交互、虚拟现实和增强现实等。
+

8_app/app_2_dqn/README.md

@@ -0,0 +1,7 @@
+# 深度强化学习
+
+
+强化学习（Reinforcement Learning，RL）是机器学习的一个重要分支，相较于机器学习经典的有监督学习、无监督学习问题，强化学习最大的特点是在交互中学习。人工智能中的很多应用问题需要算法在每个时刻做出决策并执行动作，例如围棋，每一步需要决定在棋盘的哪个位置放置棋子，以最大的可能战胜对手；无人机需要根据环境中的障碍物或者敌机的位置、态势等信息，选择最优的控制指令；对于自动驾驶算法，需要根据路况来确定当前的行驶策略以保证安全地行驶到目的地等。这类问题有一个共同的特点：智能体（Agent）在与环境的交互中根据获得的奖励或惩罚不断的学习知识，调整自己的动作策略，以达到某一预期目标，从而更加适应环境。解决这类问题的机器学习算法称为强化学习。虽然传统的强化学习理论在过去几十年中得到了不断的完善，但还是难以解决现实世界中的复杂问题。强化学习的范式非常类似于人类学习知识的过程，也正因此，强化学习被视为实现通用人工智能重要途径。
+
+深度强化学习（DRL，Deep Reinforcement Learning）是深度学习与强化学习相结合的产物，它集成了深度学习在视觉等感知问题上强大的理解能力以及强化学习的决策能力，实现了端到端学习。深度强化学习的出现使得强化学习技术真正走向实用，应用于解决现实世界中的复杂问题。从2013年深度Q网络（Deep Q Network，DQN）出现到目前为止，深度强化学习领域出现了大量的算法以及解决实际应用问题的论文。在这一章对深度强化学习的算法与应用进行介绍，主要包括强化学习的基本原理，深度强化学习的基本思想，基于价值函数的深度强化学习算法，以及如何应用到控制方面。
+