强化学习7日打卡营学习笔记

最新推荐文章于 2020-07-24 12:00:09 发布
最新推荐文章于 2020-07-24 12:00:09 发布
阅读量153 收藏
点赞数
分类专栏： 学习笔记 文章标签： 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/zbaibaiw/article/details/106980250
版权

强化学习7日打卡营学习笔记


在这里插入图片描述

课节1：预习课程

[1]新手入门第一课-什么是深度学习？
[2]新手入门第二课-必备数学知识
[3]新手入门第三课-Python快速入门
[4]新手入门第四课-PaddlePaddle快速入门
[5]AI Studio基本操作-Notebook篇

课节2：强化学习(RL)初印象

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述

课节3: 基于表格型方法求解RL

在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

课节4：基于神经网络方法求解RL

课节5：基于策略梯度求解RL

课节6：连续动作空间上求解RL

zbaibaiw
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
[RL](百度强化学习7日打卡营学习笔记)
weixin_42281282的博客
06-26 330
@RL 强化学习7日打卡营学习 强烈推荐本训练营，对新手很友好，项目能很快上手，无成本有免费计算资源提供，学习笔记慢慢整理中。 预习资料 数学基础-矩阵Python numpy库 ，详细资料（开营后这部分内容不做讲解，用到哪里大家查哪里）：https://www.paddlepaddle.org.cn/tutorials/projectdetail/485153 机器学习、深度学习相关理论，预习内容（希望大家每日及时预习相关内容，开营后不做基础讲解，直奔强化学习主题）： https://www.paddle
百度强化学习7日打卡训练营心得感悟
a31543754的博客
06-24 384
强化学习7日打卡训练营心得感悟学习课程的起因本次学到的知识功能快捷键 学习课程的起因 去年10月份实习的时候，接到了目标检测的项目，使用了EasyDl的离线SDK，后来看到了飞桨平台，准备学习，4月份看到了AI+Python的课程，加入课程但是因为做毕业设计忙不过来，就没有学习，这次刚好答辩完交了毕设论文，看到开课强化学习，同学毕设有做强化学习DQN的，就像学一下，初窥门径，毕设做的人脸识别，有一点深度学习的基础，所以毫不犹豫的加入课程，跟着科科老师学习强化学习，为以后的学习和工作打下基础。 本次学到的知识
百度飞桨深度学习学院强化学习7日打卡营 学习笔记
zs945319428的博客
06-26 385
part 1基于表格型方法求解RL 首先要知道马尔可夫决策过程四元组 简单的来说就是在不同的状态s下选择不同的动作a会得到不同的奖励r。 状态转移概率解释起来就是在情况下选择动作转移到状态，并获得奖励的概率。 都是不是所有的时候，环境我们都是已知的,这时候就需要一步步的去探索。 :表示状态动作值 ：表示状态的好坏 由状态值和动作值和Q值就可以组成Q表格 Q表格：指导每一个step的动作选择。 目标导向：未来的总...
百度强化学习7日打卡营心得
TheLittleBee的博客
06-26 478
最近参加了百度强化学习7日打卡营，从只是听说过Q-learning、AlphaGo的完全小白，到可以自己实现几个经典强化学习算法，并且使用百度PARL框架实现强化学习解决Pong游戏和四旋翼悬停。这次的7日打卡营让我快速入门强化学习，了解到几个经典强化学习算法并且动手实现，还是颇有收获的。在此也给百度PARL框架（Github）打个广告，PARL框架已经实现并封装好几个经典强化学习算法，如Q-learning、DQN、Policy Gradient、DDPG、PPO等，让开发者们可以专注于网络Model和A
【百度飞桨强化学习7日打卡营】学习笔记 -- 第一课：强化学习（RL）初印象
qq_39779233的博客
06-24 371
写在前面 本次课程是参加百度飞桨7日打卡营活动的第一天笔记。 课程导入 人工智能可以像人一样模仿、像人一样自学。 强化学习的推荐学习路线： 课程需要提前学习的知识与资料推荐： 第一课：强化学习（RL）初印象 主要介绍RL概述、入门路线、环境搭建 一、什么是强化学习 走迷宫的例子显示了强化学习的特点： 与环境的交互特点：agent的策略是一连串的序列决策，会不断与环境进行交互； 奖励的延迟特点：不会运行每一步都会告诉你输出的动作对不对，只有把所有的步骤都执行结束之后，才知道是否成功。 二、强化
【百度飞桨强化学习7日打卡营】学习总结
weixin_39898170的博客
06-26 213
【百度飞桨强化学习7日打卡营】学习总结 【百度飞桨强化学习7日打卡营】学习总结 一周的学习，收获颇丰，即强化了理论知识，也得到实践运用方面的训练，二者有效结合使我对强化学习有了更深刻的体会与了解。 跑Demo的时间越来越长，调参越来越玄乎，收敛变得更加困难…… 7天中，有令人沮丧的挫败感，有让人喜悦的小小的成就感。好在都过来了，一切都是值得的。 下面介绍一下，一周学习的主要涉及到 的内容： 学习平台：百度AIStudio Python模块: paddle、parl、gym、atari-py、rlsch
【个人心得】飞桨强化学习7日打卡营学习心得
Kevin Pang的博客
06-26 528
1 课程回顾 第一次接触强化学习能遇到飞桨的科科老师挺幸运的，在此再次感谢她和她的团队为了这门课程所付出的努力，她能用十分清晰简洁的逻辑将复杂的强化学习算法讲的浅显易懂，让我再次理解到了数学抽象的魅力，也为我备考（考研）路上攻克数学增加了不少动力~ 课程链接是：https://aistudio.baidu.com/aistudio/education/group/info/1335 感兴趣的小伙伴可以前往查看哦，有十分详细的录播~ 以下是我5课节的笔记分享： Lesson1: https://blog.cs
【Copy攻城狮日志】飞浆学院强化学习7日打卡营-学习笔记
sinat_34365157的博客
06-25 705
本文首次发表于公众号-[胡琦],是作者在飞桨深度学习学院和世界冠军团队科老师从零实践深度学习的一些学习感悟。主要整理这7天来的学习笔记，7天 深入一门新技术很难，但仅仅只是稍微了解一下，7天时间远远足够！【文末福利：领取免费算力卡】 ↑开局一张图，故事全靠编。 我常常会扪心自问，一个连本行工作都干不好的人，还有时间去捣鼓别的领域，去“学习”别的领域的新知识？然鹅，自诩为“Copy攻城狮”的我，膨胀到像 学一波AI，不求结果，为了兴趣愿意去尝试，哪怕到头来竹篮打水一场空。于是，机缘巧合通过齐老师了解到B.
百度强化学习7日课程笔记
袁圈圈的博客
06-22 287
百度强化学习7日打卡营课程笔记 上周参加了百度的强化学习7日打卡营，科老师的讲解非常有条理，且将代码与知识点结合起来，使得不擅长公式推导的小白得以了解强化学习领域的入门知识以及百度的PaddlePaddle框架，并且有机会自己尝试调试简单的强化学习程序。 现将部分课程笔记整理如下，共5节课。 第一课-强化学习（RL）概况 第二课-基于表格型方法求解RL 应用场景：离散状态+离散动作，确定性策略 On-policy → SARSA（更新值函数时，下一步策略采用实际策略输出的action） Off-poli
【学习笔记】Lesson1-强化学习(RL)初印象（强化学习7日打卡营-世界冠军带你从零实践）
Kevin Pang的博客
06-23 337
Lesson1-强化学习(RL)初印象 1 什么是强化学习 1.1 核心思想 智能体agent在环境environment中学习，根据环境的状态state，执行动作action，并根据环境的反馈reward（类似于现实生活的奖励）来指导更好的动作。 关键词： 2 part: agent, environment 3 factors: state/observation, action, reward 两大特点： 强环境交互，强决策性 奖励延迟 1.2 一个有趣的示例 代码可参考PARL目录：
【学习笔记】Lesson3-基于神经网络方法求解RL（强化学习7日打卡营-世界冠军带你从零实践）
Kevin Pang的博客
06-26 470
Lesson3-基于神经网络方法求解RL 3.1 背景知识——值函数近似&神经网络 RL➡Deep RL: 从少量状态到数不清的状态 3.1.1 值函数近似（Q函数近似） 3.1.2 神经网络——黑盒不黑 神经网络可逼近任意连续函数 案例分析：求解四元一次方程 代码如下 # 运行线性回归模型————快速求解4元一次方程 # 加载库 import paddle.fluid as fluid import numpy as np # 生成数据 np.random.seed(0) out
【学习笔记】Lesson5-连续动作空间上求解RL（强化学习7日打卡营-世界冠军带你从零实践）
Kevin Pang的博客
06-26 416
5.1 连续动作空间 tanh(x)用来限制输出的action范围在[-1,1]，最后需要根据实际情况缩放。 5.2 DDPG(Deep Deterministic Policy Gradient) 5.2.1 DQN➡DDPG DDPG除了需要学习Q网络，还需要学习策略网络。 5.2.2 Actor-Critic结构（评论家-演员） 策略网络——Actor 目标网络——Critic 目标网络(Target Network)&经验回放(Replay Memory) 5.3
强化学习笔记 之 SAC算法样例（基于百度飞桨PARL）
UnseenMe的博客
07-24 3002
Abstract 从Sarsa、Q-learning开始，到DQN，再到Policy Gradient，最后到DDPG，一步步走进了强化学习的世界。在学习了这些基础算法之后，本文记录一下进阶算法SAC的学习心得。 SAC是Soft Actor-Critic的缩写，由伯克利人工智能研究实验室(BAIR)的Tuomas Haarnoja等人，提出于2018年。 传送门：Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic
004.Python爬虫系列-web请求全过程剖析(重点)
最新发布
08-30
前言 * 本小节给各位好好剖析一下web请求的全部过程,这样有助于后面我们遇到的各种各样的网站就有了入手的基本准则了. * 那么到底我们浏览器在输入完网址到我们看到网页的整体内容,这个过程中究竟发生了些什么? * 这里我们以百度为例 * 在访问百度的时候,浏览器会把这一次请求发送到百度的服务器(百度的一台电脑),由服务器接收到这个请求, 然后加载一些数据. 返回给浏览器， 再由浏览器进行显示 * 听起来好像是个废话...但是这里蕴含着一个极为重要的东西在里面 * 注意 * 百度的服务器返回给浏览器的不直接是页面, 而是页面源代码(由html, css, js组成) * 由浏览器把页面源代码进行执行, 然后把执行之后的结果展示给用户 * 所以我们能看到在上一节的内容中,我们拿到的是百度的源代码(就是那堆看不懂的鬼东西)
程度副词.txt
08-30
文本分析
JEP143C.pdf
08-30
JEP143C
工业相机CameraLink v2.0协议文档
08-30
1.本协议为最新的cameralink协议文档； 2.协议详细接收了camera link协议的接口设计内容； 3.介绍了POCL供电要注意的问题； 4.协议介绍了lite,base,medium,full,full+五种模式配置和开发要点； 5.协议介绍了硬件设计外围电路。
时序预测-基于卷积神经网络CNN的数据时间序列预测Matlab程序 单变量
08-30
时序预测|基于卷积神经网络CNN的数据时间序列预测Matlab程序 单变量 1.程序功能已完成调试，用户可以通过一键操作生成图形和评价指标。 2.数据输入以Excel格式保存，只需更换文件，即可运行以获得个人化的实验结果。 3.代码中包含详细注释，具有较强的可读性，特别适合初学者和新手。 4.在实际数据集上的效果可能较差，需要对模型参数进行微调。 CSDN：机器不会学习CL 时序预测|基于卷积神经网络CNN的数据时间序列预测Matlab程序 单变量 1.程序功能已完成调试，用户可以通过一键操作生成图形和评价指标。 2.数据输入以Excel格式保存，只需更换文件，即可运行以获得个人化的实验结果。 3.代码中包含详细注释，具有较强的可读性，特别适合初学者和新手。 4.在实际数据集上的效果可能较差，需要对模型参数进行微调。 CSDN：机器不会学习CL
Java学习打卡day8：深入理解方法与代码实践
"Java学习打卡day8，主要内容包括方法的基础语法，特别是`public static void main(String[] args)`方法的理解和使用，以及如何调用自定义方法进行计算并输出结果。" 在Java编程语言中，方法是组织代码的基本单元，...
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