Learning By Feed Back
在人类开始学习一项技能，比如骑自行车，如果没有老师，开始是不知所措较为混乱的控制踩脚踏板的速度，转动方向盘的角度，以及调整自己的坐姿。开始的时候多数不会的人马上就倒地了，不断尝试的过程中，出现偶尔几次没有立刻倒，骑行了一段距离的时候，此时多数人会通过判断，总结经验，“这样骑，这样调不容易倒”等等。训练到一定程度，他可以在相对平整的地面大多时间保持不倒了。但我们看到特技演员还能够驾车飞跃复杂的地形，则要通过这类训练才能实现。
现实有些时候有老师来告诉你，这个时候应该怎么做，这个时候应该怎么做。不过老师教的毕竟有限，骑车，开车，游泳，等等这些技能，基本没有人能够通过仅仅听老师的指导就能熟练应用操作的。通常是老师教完通常知道“大概怎么做”，自己学完才能形成自己的经验。多数技能能够“无师自通”和“熟能生巧”，虽然老师的意见能够加速这个过程，但却不能替代这个过程。
把一个智能系统看作学习技能的人类，我们就能发现，老师教的过程是一个 有监督学习 （Supervised Learning）的过程, 自己真实操作体会则是 增强学习（Reinforcement Learning）, 相比有监督学习，增强学习的过程包含几个要素
i. 根据环境不同，自动选择最佳策略。 经验不足或者表现不佳时，需要“尝试”，没有办法确切知道这个时候“做什么最正确”，通过尝试去“发现“正确的策略

ii. 实时，真实反馈，比如骑车的时候，车是往前走了，拐弯了，还是倒了，这些是针对当前采取的骑车的“策略”好坏的一个真实反馈，且这个反馈能够立即被接收。

iii. 增量特性。 我们知道，过去的经验始终存在，不会因为加入新的经验，就丢掉了过去的经验。一个学会了平地骑车的人，通过训练学会了驱车空中飞跃的特技时，不会把原来平地骑车的技能就忘记掉。

以增强学习这三点特征为中心来扩展，我们定义 在线学习 的概念，以区别于离线学习（包括多数有监督/无监督学习）。我们将在线学习定义为：基于增量更新的方式接收外界反馈，并实时调整策略以达到最佳收益的系统
在线学习有哪些优势？
仍以学骑车为例，为什么老师的指导无法代替自己的真实操作？中间包括至少两点原因： 第一， 老师的指导是模糊的，无法准确化的。老师通常能告诉你，当车拐弯时，离心力导致车往外倾斜，所以你要调整姿势朝内倾斜。但是往内倾斜多少度？为了达到这个效果你全省几十个关节分别要怎么调整？这些知识老师教不了，就算教了，每个人体重，身高，各方面的体质都不一样，效果也一定不相同。第二， 老师的指导无法准确到CASE BY CASE，比如你学会在在完全平整的地方骑车，但一旦在有颠簸的路面骑，仍然可能摔倒。老师的经验和知识无法按CASE细化到，颠簸度为XXX，速度为XXX…的时候应该怎么调整姿势…等等。因此，通常老师教到一定程度，后面要“更上一层楼”只能依赖自己的“增强学习”
从人类进化史，可以看到，主导社会发展的虽然也有经验传递的部分，更关键的部分依赖于自我优化，这个“优化”的动力一方面来自于自然界对人或者人对人(国家对国家)的“反馈”，另一方面来自于不断的创新的“尝试”。如语言的诞生，新的工具和技术的发明等等。
同理，在智能系统内，有监督学习依赖于现有的标注和特征的推广能力，也存在上述两个问题。一方面，受限于特征本身的表达能力，预测的精确性无法完全保证。另一方面，标注本身噪音和不准确，此外，部分特征空间内的数据训练样本里没有，这些都会影响学习的效果。
从工程角度看，有监督学习需要一次累积大量样本来探索，特别对于大数据，一次性训练成本很大。数据累积周期长，导致训练时效性无法跟上，并且需要耗费大量资源不断来更新训练。
对于上述问题，在线学习系统处理优势在于
i. 既可以离散表示，也能通过特征表达，准确性能进一步提高。

ii. 基于贝叶斯方法，融噪性强。例如千分之一级别点击率的数据，在线学习系统接收到的实时点击数据的反馈是0，0，0…. 偶尔千分之一概率出现1，很多模型训练得到可能是过拟合或者在0～1之间剧烈波动的预测，和真实的点击率相差较远，一些在线学习模型能正确回归出1‰附近的预测值.

iii. 引入对数据较少，不确定特征空间的“探索”机制，能够挖掘出具有潜在价值的长尾，最短时间内获得最大收益。

iv. 增量更新数据，不管是实时（Real-Time）还是小批量(mini-batch)更新方式，Online Learning能够将大数据化整为零，而且不显著丢失效果。也正因为可以增量更新，在线学习能够紧跟最新时效。

一些Online Learning的例子

1. 学习骑自行车的过程，在不断跌倒和骑行过程中，积累经验，提升骑行技术，属于增强学习（在线学习）过程， 而老师教你怎么骑，是有监督学习。
2. Bandit 策略的例子：一群朋友经常在一起，所以他们吃的馆子就是那么些馆子，口味也是那些口味，固化了。然后来了一个新的朋友，推荐了一家或者几家新的馆子新的口味，大家尝试着去尝了尝，发现其中一些或一个挺好的，后来就经常去吃
3. 编好程序的做菜的机器人，买回家，只会做中规中矩的青椒肉丝。能Online Learning的机器人，在菜里面做创新改进，得到好评后逐渐学会做鱼香肉丝（青椒里面加其他料貌似主人更喜欢：） ）
4. 电子竞技领域，如魔兽争霸，DOTA等电子竞技，中间包括很多策略和战术的使用。 Online Learning可以让人工智能（AI）通过不断与人对战，或者学习人之间对战过程 来提升竞技策略，以至于可以战胜最厉害的人类。
5. 举例如控制机器人的步态和平衡，控制理论太过复杂，机器人自己去尝试走路，跌倒再爬起，调整方案继续，最终学出了走路的方法
6. 分类系统，一个新生代名词，不知道怎么分类，一段时间后，学会分类了
7. 照顾婴儿的机器人，对于各个婴儿，喜好和照顾方法不同，通过观察婴儿反馈（啼哭/笑 等），逐渐学习照顾某个婴儿的方法
8. 生物大脑是一个基于反馈在线学习的系统, 确切说是一个增强的Neural network system, 学术界已经找到海豚大脑进行Reinforcement Learning的依据

Online Learning核心，在于 尝试 与 反馈学习, 如果说机器学习是机器模仿人脑的开端， Online Learning是机器具有创造力的开端

online learning定义：

1. 依赖于与客观环境的交互（用户，人，自然界等）获取的反馈信息
2. 在线增量更新方式，模型能够接受实时的训练数据或者频繁更新的BATCH训练数据, 模型预测和训练同时或者交替进行
3. 探索性策略，使得系统能够主动探索未知领域， 不被已有的训练数据完全限定