Reinforcement Learning（一）：introduction

最新推荐文章于 2020-09-05 16:32:09 发布
最新推荐文章于 2020-09-05 16:32:09 发布
阅读量193 收藏
点赞数
分类专栏： 强化学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38156104/article/details/107893036
版权

A little bit probability theory

Random Variable

随机变量:未知;它的值取决于随机事件的结果。用大写字母表示随机变量，观察值用小写字母表示，注意，观察值是没有随机性的。

Probability Density Function (PDF)

PDF提供了随机变量的值与样本相等的相对可能性，比如下图的高斯分布以及离散分布：

满足以下性质：

Expectation

Terminologies 

以马里奥游戏为例子说明。

state and action

  • agent：智能体
  • state：当前状态
  • action：agent采取的行动

policy

是概率密度函数，是给定当前状态s下，采取行动a的概率。

reward

state transition

状态转移函数通常是未知的，由环境决定。

 agent environment interaction

 Randomness in Reinforcement Learning

Actions have randomness

State transitions have randomness

 Play the game using AI

 Rewards and Returns

Return

因此引入折扣回报：

 Randomness in Returns

Value Functions

Action-Value FunctionQ(s,a)

State-Value Function V(s)

Understanding the Value Functions 

Play games using reinforcement learning

How does AI control the agent?

两种方法：

OpenAI Gym

gym是一个开发和比较强化学习算法的工具包。https://gym.openai.com/

 

Summary

We are going to study…

坚硬果壳_
关注
专栏目录
Reinforcement Learning: An Introduction (David Silver)
程序员光剑
08-31 711
作者：禅与计算机程序设计艺术 1.简介 强化学习（Reinforcement Learning，RL）是机器学习领域的一个重要分支。它是通过试错的方式来学习控制问题，最典型的应用就是游戏编程、智能驾驶等。它的特点是学习从环境中自动获得奖赏，并不断调整自身行为以最大化长期奖赏。在人工智能领域，深度强化学习
Reinforcement Learning：An Introduction Chapter 2 Multi-armed Bandits
KunBB的博客
03-22 652
文章目录Abstract2.1 k-摇臂赌博机 Abstract 强化学习使用训练信息来评估所采取的动作，而非使用正确的动作来指导动作的选择。评估性反馈完全依赖于所采取的动作，而指示性反馈独立于所采取的动作。本章讨论的是在单个状态下学习如何采取动作，即非关联性（nonassociative）。 2.1 k-摇臂赌博机 问题描述： k-摇臂赌博机可以看做k个老虎机，每个老虎机的奖赏都是从某个固定...
Reinforce learning: Lecture 1 Introduction to Reinforcement Learning 学习笔记
ustc_imcl_fj的博客
03-07 869
强化学习是什么？ 首先我们先从一个简单的例子开始，大家都知道，当我们刚出生时，对地球的重力规则肯定是一无所知的，但经过摸爬滚打，我们慢慢地学会了走路，这一过程可以简化表示为：我们和地面经过多次的交互，增强了我们的能力。 强化学习主要由以下及部分组成： agent: 机器人 enviroment：环境 action：agent的行为 reward: environment 对 action的...
增强学习导论（Reinforcement Learning An Introduction_Sutton）
09-05
本书作者是Richard S. Sutton，是增强学习领域的开山之作，虽然这本书不算太新，单它奠定了RL的基本理论框架，所以将它作为入门级的著作是十分有用的。
Theory of Reinforcement Learning
半夏微凉的博客
09-05 232
官方网址 2020(8.31-9.4): https://simons.berkeley.edu/workshops/rl-2020-bc 视频网址 2020(8.31-9.4): [youtube]
Reinforcement Learning: An Introduction 自学代码（第二章）
01-09
Sutton的Reinforcement Learning: An Introduction（第二版）第二章的课后代码习题的实现。社区内找不到这些习题的代码实现，上传以供大家参考。如果喜欢的话，别忘了回头评个分哦~
Reinforcement Learning: An Introduction 2nd solutions （第二版 答案）
04-09
sutton的强化学习第二版的答案，不确定是否为sutton亲自提供的，仅供参考，还是很有帮助的
Reinforcement Learning: An Introduction 2018年 第二版和之前2015中文翻译版
05-14
强化学习导论2018年第二版，作者：Richard S. Sutton and Andrew G. Barto，是强化学习方面最权威的学者，以及2015年中文翻译版
Reinforcement Learning: An Introduction 2ed
07-17
强化学习 / 增强学习，第二版，2ed，pdf 版本，自学专用
Reinforcement Learning 强化学习
qq_27009517的博客
01-21 1562
Awesome Reinforcement Learning  A curated list of resources dedicated to reinforcement learning. We have pages for other topics: awesome-rnn, awesome-deep-vision, awesome-random-forest Maintainers:...
Reinforcement Learning：An Introduction Chapter 1 Introduction
KunBB的博客
03-22 1173
Chapter 1: Introduction 人类与环境进行互动，学习环境如何响应我们的行为，并试图通过自身行为影响将来发生的事，这就是一种交互式的学习方式，是人类获取知识的主要来源，同时也是几乎所有学习和智能化理论的基本思想。强化学习正是一种从交互中学习的计算方法，它更侧重于从交互中进行目标导向的学习方式，而不是其他的机器学习方式。 1.1 Reinforcement Learning 强化...
《Reinforcement Learning: An Introduction》强化学习导论原文翻译 17.3 观察与状态
阿涛的博客
12-29 3695
在本书中，我们将学习的近似值函数（以及第13章中的策略）写为环境状态的函数。这是第一部分中提出的方法的一个重要限制，其中学习值函数被实现为一个表，这样任何值函数都可以精确地近似；这种情况等于假设环境状态被agent完全观测。但是在许多情形下，包括在所有自然智慧生命中，感官输入仅提供关于世界状态的部分信息。某些物体可能被其他物体遮挡，或在agent后面，或几英里外。在这些情况下，环境状态的潜在重要方...
Reinforcement Learning An Introduction~Reinforcement Learning
coolsunxu的博客
11-15 510
第一章   介绍   当我们考虑学习的本质时，我们首先想到的可能是通过与环境互动学习。当一个婴儿玩耍，挥动手臂或环顾四周时，它没有明确的老师，但它确实与其环境有直接的感觉运动联系。通过这种联系可以产生大量关于因果关系的信息，关于动作的后果，以及为实现目标应该做些什么。在我们的生活中，这种互动无疑是关于我们的环境和我们自己的主要知识来源。无论我们是学习驾驶汽车还是进行对话，我们都敏锐地意识到...
Reinforcement Learning:An introduction读书笔记-Chapter 3
PeytonPu的博客
11-29 1276
Reinforcement Learning:An introduction读书笔记 第三章
增强学习Reinforcement Learning经典算法梳理3：TD方法
热门推荐
Flood Sung的专栏
05-12 5万+
1 前言在上一篇blog中，我们分析了蒙特卡洛方法，这个方法的一个特点就是需要运行完整个episode从而获得准确的result。但是往往很多场景下要运行完整个episode是很费时间的，因此，能不能还是沿着bellman方程的路子，估计一下result呢？并且，注意这里，依然model free。那么什么方法可以做到呢？就是TD（temporal-difference时间差分）方法。有个名词注意一
Reinforcement Learning: An Introduction 阅读笔记（一）
limn204的专栏
05-22 566
前言 开新坑系列…… 先来谈谈什么是强化学习，或者说增强学习。强化学习就是指再一个特定环境下，通过与环境交互，获得环境的反馈从而进行学习的智能算法。什么是特定环境呢？举个flappy bird的例子（博主的执念），flappy bird游戏的核心目标，就是使得玩家操作的鸟，不装到柱子上。作为人类，我们也会再游戏进程中无意或者有意的去发现一些规律，取得更高的分数。强化学习要做的就是将这种能力注意到学习算法上，也就是训练一个智能体（Agent） 从深蓝击败国际象棋冠军，到Alpha Go，星际争霸和Dota2的
强化学习导论（Reinforcement Learning：An Introduction）学习笔记（一）
剑魄未改的博客
04-15 5024
Introduction ​ 我们在思考学习本质时首先想到的可能就是通过与我们的环境进行交互从而学习。当一个婴儿玩耍时，挥动着他的手臂，虽然看起来，他没有明确的老师，但他确实与他的环境有直接的感觉联系。并且这种联系可以产生大量关于因果，行为后果以及为了实现一个目标我们要做什么等信息。在我们的整个生活中，这种交互无疑是我们了解环境和自己的主要知识来源。无论我们是在学习驾驶汽车还是进行对话，我们...
《reinforcement learning：an introduction》第五章《Monte Carlo Methods》总结
mmc2015的专栏
07-25 2345
由于组里新同学进来，需要带着他入门RL，选择从silver的课程开始。 对于我自己，增加一个仔细阅读《reinforcement learning：an introduction》的要求。 因为之前读的不太认真，这一次希望可以认真一点，将对应的知识点也做一个简单总结。 注意：本章考虑model-free的prediction和control，仍然有两种方法，policy
reinforcement learning : an introduction
最新发布
12-14
强化学习是一种机器学习方法，它致力于教会智能体在一个动态环境中做出最优决策。在强化学习中，智能体通过不断与环境进行交互来学习，并且根据环境的反馈来调整自己的行为。 强化学习的一个核心概念是“奖励”，它是环境对智能体行为的评价。智能体的目标是通过选择能够最大化长期奖励累积的行为策略来学习。在学习的过程中，智能体通过试错和学习的方法逐步改进自己的决策策略。 强化学习涉及到很多基本元素，比如：状态、动作、策略和价值函数。状态是指代表环境的信息，动作是智能体可以执行的动作选择，策略是智能体根据当前状态选择动作的方法，价值函数是用来评估每个状态或动作的价值。这些元素相互作用，并通过学习算法来更新和改善，使得智能体能够做出更好的决策。 强化学习有很多不同的算法，其中最著名的是Q-learning和Deep Q-Network（DQN）。Q-learning是一种基于值函数的学习方法，它通过不断更新状态-动作对的价值来优化策略。而DQN则是在Q-learning的基础上引入了深度神经网络，使得智能体能够处理更复杂的环境和任务。 总之，强化学习是一种通过交互式学习来教会智能体做出最优决策的方法。它在许多领域有广泛的应用，比如人工智能、自动驾驶、游戏AI等。通过不断的试错和学习，智能体可以不断改进自己的行为策略，达到最优性能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值