强化学习 - 入门笔记

最新推荐文章于 2023-05-09 13:48:00 发布
置顶 最新推荐文章于 2023-05-09 13:48:00 发布
阅读量296 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习
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_39590098/article/details/114839433
版权

强化学习 - 入门笔记

文档

Spinning Up (中文文档）

强化学习中的核心概念

强化学习中的核心概念 - 详见

状态和观察(states and observations)

动作空间(action spaces)

  • 不同的环境有不同的动作。所有有效动作的集合称之为 动作空间。有些环境，比如说 Atari 游戏和围棋，属于 离散动作空间，这种情况下智能体只能采取有限的动作。其他的一些环境，比如智能体在物理世界中控制机器人，属于 连续动作空间。在连续动作空间中，动作是实数向量。 这种区别对于深度强化学习来说，影响深远。有些种类的算法只能直接用在某些案例上，如果需要用在别的地方，可能就需要大量重写代码。

策略(policies)

最低0.47元/天 解锁文章
杜杜杜俊杰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
强化学习入门笔记.pdf
08-07
适合强化学习入门
reinforcement learning - 基础概述
小白cvnice的博客
10-20 1155
强化学习讨论的问题是一个智能体（agent）怎么在一个复杂不确定的环境（environment)中取得奖励的最大值。 强化学习研究的问题是 agent 跟环境交互，上图左边画的是一个 agent，agent 一直在跟环境进行交互。这个 agent 把它输出的动作给环境，环境取得这个动作过后，会进行到下一步，然后会把下一步的观测跟它上一步是否得到奖励返还给 agent。通过这样的交互过程会产生很多观测，agent 就是为了从这些观测之中学到能极大化奖励的策略。 1、强化学习与监督学习的区别 区别 强
强化学习入坑之路01
m0_37671786的博客
10-20 354
强化学习入坑之路01 经过了难得的双节的八天假期，我又回来继续爬坑了。八天的假期让自年初开始没回家的我终于可以在尝尝家里的饭菜了，本来处在减肥期的我在家期间也没有特别控制体重，回来还是增加近4斤的重量，不过在寡人的不懈坚持下终于回到了假前的水准，可喜可贺！ 好吧，扯远了，请忽略以上信息，下面进入正题。这次入坑的科目是强化学习，是我参加的DataWhale组队学习的第三次，这次的学习是视频加教程的学习形式，下面附上第一节的视频地址： 概括与基础 上 概括与基础 下 第一节的学习内容主要是基本情况介绍和概括，这
强化学习基础
qq_44898314的博客
07-12 576
摘要：本文是强化学习的基础内容介绍，包括其概述、序列决策、动作空间、实验等内容，可供初学者学习。
强化学习p1-基本概念
最新发布
云生死海的博客
05-09 1446
每个时刻，环境有一个，可以理解为对当前时刻环境的概括有时也被称为，因为有时智能体并不能观测到环境改变后的全部，只能观测到部分。是与智能体进行交互的对象，可以抽象地理解为交互过程中的规则或机制。是智能体基于当前状态所做出的决策。强化学习的主体被称为。通俗地说，由谁做动作或决策，谁就是智能体。是指所有可能存在状态的集合，记作花体字母 S。状态空间可以是离散的，也可以是连续的。状态空间可以是有限集合，也可以是无限可数集合。是指所有可能动作的集合，记作花体字母 A。
强化学习 # 概述
skysys的研究小屋
12-10 1271
博主在学习强化学习和深度强化学习中对RL/DRL的归纳总结。 1 Introduction 强化学习的关键是：exploitation（利用） 和 exploration （探索），也可以解读为trial和reward。 和监督学习算法的区别是： 监督学习：已知数据、标签 强化学习：一开始没有标签，通过try获得data和label RL的一些基本算法：通过行为的价值来选取特定行为的方法, 包括使用表格学习的 q learning, sarsa, 使用神经网络学习的 deep q network,.
强化学习笔记2：序列决策(Sequential Decision Making)过程
qq_40206371的博客
07-30 6043
1Agent and Environment 强化学习研究的问题是 agent 跟环境交互，上图左边画的是一个 agent，agent 一直在跟环境进行交互。 这个 agent 把它输出的动作给环境，环境取得这个动作过后，会进行到下一步，然后会把下一步的观测跟它上一步是否得到奖励返还给 agent。 通过这样的交互过程会产生很多观测，agent 的目的是从这些观测之中学到能极大化奖励的策略。 2Reward 奖励是由环境给的...
强化学习算法笔记整理和总结
04-06
里面是我自己手写的强化学习笔记。参考自刘建平老师的强化学习博客，再加上自己的理解，通俗易懂。里面包含了强化学习model-free的经典论文（Q-learning、SARSA、TD(lambda)、DQN、DDQN、prioritized replay DQN、...
吴恩达机器学习笔记-人工智能机器学习算法入门笔记
01-26
机器学习可以分为监督学习、无监督学习和强化学习等主要类型。 【监督学习】 监督学习是机器学习的一种，其中模型在已知输入和对应输出（标签）的训练数据集上学习。在这个过程中，模型尝试找出输入和输出之间的...
David Silver强化学习课程学习笔记中文
11-19
David Silver的强化学习基本上算是强化学习的入门视频，学习强化学习的人必看。这是David Silver强化学习课程学习笔记，除了视频里的内容，每一章节末尾附加了练习，便于实现和理解算法
强化学习概述.pdf
10-28
强化学习概述.pdf
Python-TensorFlow实现的强化学习算法集锦
08-11
Reinforcement Learning implementations and research prototyping in TensorFlow
深度学习入门基础笔记自己手写
04-29
总结，深度学习入门笔记涵盖了从基本的感知器模型到多层神经网络的构建和训练过程，这些都是理解深度学习及其应用的基础。通过不断学习和实践，我们可以掌握更高级的深度学习技术，例如卷积神经网络、循环神经网络和...
【强化学习】深度强化学习入门介绍
fengdu78的博客
09-29 4153
深度强化学习是一种机器学习，其中智能体(Agent，也翻译作代理)通过执行操作（Action）和查看结果（Reward）来学习如何在环境中采取最佳的动作或策略。自 2013 年Deep Q...
强化学习：如何处理大规模离散动作空间
喜欢打酱油的老鸟
06-18 8992
https://www.toutiao.com/a6701973206141501964/ 在深度学习大潮之后，搜索推荐等领域模型该如何升级迭代呢？强化学习在游戏等领域大放异彩，那是否可将强化学习应用到搜索推荐领域呢？推荐搜索问题往往也可看作是序列决策的问题，引入强化学习的思想来实现长期回报最大的想法也是很自然的，事实上在工业界已有相关探索。因此后面将会写一个系列来介绍近期强化学习在搜索推...
强化学习（六） - 连续空间中的强化学习(RL in Continuous Spaces)及相关实例
热门推荐
Stan_Fu的博客
10-09 1万+
6.1 离散空间和连续空间 在之前的实例中，状态和动作的数量受到限制。使用小的，有限的马尔可夫决策过程（MDP），可以用表，字典或其他有限结构来表示动作值函数。 例如，考虑下面的非常小的gridworld。假设世界有四个可能的状态，并且代理有四个可能的操作可供使用（上，下，左，右）。您在前面的课程中了解到，我们可以在表中表示估计的最佳操作值函数，每个状态对应一个行，每个动作对应一个列。我们将此表称为Q表。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BnBR6zFE-16
强化学习的两大话题之一，仍有极大探索空间
weixin_40920183的博客
08-24 2083
来源 | AI科技评论编译 |bluemin编辑 | 陈彩娴探索 VS 利用，这是强化学习中至关重要的话题。我们希望强化学习中的智能体尽快找到最佳策略。然而，在没有充分探索的情况下...
强化学习基础篇 OpenAI Gym 环境搭建demo
sinat_28371057的博客
09-12 3598
1. Gym介绍 Gym是一个研究和开发强化学习相关算法的仿真平台，无需智能体先验知识，由以下两部分组成 Gym开源库：测试问题的集合。当你测试强化学习的时候，测试问题就是环境，比如机器人玩游戏，环境的集合就是游戏的画面。这些环境有一个公共的接口，允许用户设计通用的算法。 OpenAI Gym服务：提供一个站点和API（比如经典控制问题：CartPole-v0），允许用户对他们的测试结果进行比较。 2. Gym安装 我们需要在Python 3.5+的环境中简单得使用pip安装gym pip
强化学习学习笔记（二）：Markov决策过程
weixin_46721170的博客
10-13 1147
一、Markov决策过程模型 Markov决策过程是强化学习最经典、最重要的数学模型。大多数的强化学习问题都建模成Markov决策过程。 1.离散时间Markov决策过程 1.1数学表示 智能体观察状态的环境，得到观测,其中是状态空间，表示状态取值的综合;是观测空间，表示观测取值的综合。智能体根据观测决定做出动作，其中是动作合集。环境根据智能体的动作，给予智能体奖励,并进入下一步状态，其中是奖励空间，表示奖励取值的集合，它是实数集R的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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