我希望在这里看到更多答案，但我将从一些示例开始：

组合搜索问题：如果您的问题可以表述为通过组合图的运动，那么您不需要神经网络。特别是，您的问题应该具有离散的状态、在每个状态下可能执行的一组清晰的操作、对我们从哪里开始的清晰定义以及对目标状态的清晰定义。最有效的通用技术是迭代深化搜索。如果您知道哪些动作可能更有效或更好，一个函数可以估计每个状态与目标的距离，您可以构建一个启发式函数并使用A* 搜索反而。这些技术的常见应用包括视频游戏中的寻路（或其他应用中的方向）、人工智能规划和自动定理证明。

稍后我会添加更多主题，但我怀疑其他人有专业知识可以在这里分享。让我们看看更多的想法！

一个很好的例子马尔可夫决策过程，可以通过经典的强化学习技术（如Q 学习）来解决。

马尔可夫决策过程包括

1. 一组离散状态（或已离散化的连续状态）
2. 在每个状态下可以采取的一组可能的动作。
3. 一组转换概率，用于描述代理如何根据代理的操作随机地从当前状态移动到下一个状态。
4. 一个奖励函数，定量地描述在每个状态下有多好。
5. 一个折扣因子，描述未来获得奖励比今天差多少。

非常小的 MDP 可以使用值迭代等技术直接、准确地求解，但这些方法的计算成本增长得非常快。

强化学习 (RL) 是作为 MDP 的机器学习方法而开发的。有一个循环：代理获取环境的状态，选择一个动作，在环境上执行这个动作，他得到一个奖励，以及环境的新状态，等等……你想要代理随着时间的推移最大化累积奖励。

Q Learning 的基本概念不使用人工神经网络。在 Q 学习中，您构建了一个状态-动作矩阵，称为 Q 矩阵。因此，您必须离散化环境状态以及代理可用的操作。那么，系数 Qij 就是当你在状态 i 上执行动作 j 时的期望奖励。在基本 Q 学习中，您探索并构建此矩阵，它应该收敛并为您的代理提供“最佳行动规则”。

但是，情况通常过于复杂，您通常需要状态或动作的非离散空间。Deep QL 到了，Q 矩阵变成了 ANN。

你可以在这里找到一个不错的 QL 教程（普通和深度）。

还有关于 QL的讲座。

请记住，只有人工神经网络才能在复杂情况下表现良好，因此即使基本理论不需要人工神经网络，您也总会看到人工神经网络的示例。

无监督学习的图像分割

深度学习现在广泛用于图像分类和分割。但是，对于分割，一些算法仍然非常有效。例如，它们还可以用于开发自动驾驶汽车。

用于图像分割的 K-means

当您将 RGB 图像的像素识别为向量时$\mathbb{R}^3$，您可以运行经典的 k-means 算法来区分对象。此外，您可以通过向所有像素向量添加与图像中它们的坐标相对应的两个分量来进行超像素分割（因此它将是$\mathbb{R}^5$）。您可以再次运行 k-means 算法以超像素分割图像。您可以阅读有关SLIC 超像素与最先进的超像素方法相比的信息(2012)，Achanta 等人。

例子

下面是屋顶上海鸥图片的分割示例。在左边，我们有原始图像。中间，3个集群。右侧是 12 个集群。如果它很容易区分屋顶和天空，海鸥仍然不清楚，有 12 个质心。

相似图和归一化割

主要思想是建立像素之间的相似性图，然后将图切割成子图。首先，您需要定义像素之间的距离。例如，颜色差异，可能是 $d(p_1, p_2) = exp(-\sum{(p_{1,i} - p_{2,i})^2}), i \in (r, g, b)$. 然后，在整个图像上构建图形，并使用Normalized Cut 算法迭代地划分它。

形态梯度

在这里，图像分割是通过计算图像的形态梯度来完成的。它是输入图像的膨胀和腐蚀之间的差异。侵蚀和膨胀相当于在给定大小的所有子窗口上传递 min() 和 max() 过滤器。

一个例子，仍然是海鸥。（在灰度输入上计算的形态梯度）。海鸥显得更加清晰。