【RL】【发展历史和分类】

最新推荐文章于 2025-09-04 11:13:54 发布
转载 最新推荐文章于 2025-09-04 11:13:54 发布 · 354 阅读 · 0

本文讨论了强化学习在现实世界的应用特点，特别是在面对未知回报函数和非模型化环境时的挑战。文章强调了调整超参数及网络结构对于加速算法收敛的重要性。

发展历史

分类

现实中的很多例子是：不基于模型的且回报函数也是不知道的。但是网上给出的例子基本上都是基于模型的，

当然模型中的回报函数也是给你定义出来了的，或许你要做的就是调节超参数或者网络结构，使得他更加快速的

收敛而已。

 

通用场和强化学习RL
AI天才研究院
08-13 268
2019年已经过去了两年多的时间，在人工智能领域内，无论是研究或应用层面都有着非常蓬勃的发展。而强化学习(Reinforcement Learning, RL)在近几年成为最火热的人工智能方向之一，其自身独特的特点和应用也日益受到广泛关注。由于其强大的学习能力，可以有效解决复杂的决策问题、控制机器人、增强游戏AI等方面的问题。强化学习是通过与环境交互的方式，让智能体(Agent)不断调整策略(Policy)来达到最优状态，最终实现目标。其核心任务就是如何让智能体在不断地探索、学习过程中找到最佳策略。
1 RL历程发展(未完)
jjyy2333的博客
12-04 868
1 历程发展 ##1.1 Mutli-Bandit 1.2 Model-based MDP建模 算法：Policy Iteration和Value Iteration 1.3 Model-free（Value function） 核心思想都是如何近似ValueFunction 1.3.1 Monte Carlo 1.3.2 TD 1.3.3 TD(λ) 1.3.4 Sarsa和Q-learning 1.3.5 DQN 神经网络的进入 1.4 Model-free（policy gradient） 直接用神经
RL的分类
听了个听儿
11-05 1083
RL算法的分类 1. 分类标准一 从“是否能对环境建模”出发，RL可以被划分为 Model-Free 和Model-Based. 二者之间的区别就是 agent能不能为环境建模，也就是去学习一个函数可以预测状态转移和收益。 如果我们为环境建模，那么agent就可以提前预测各种选择下的情况，并从这些预测过程中学到更多经验，再应用到实际行为中。最著名的就是AlphaZero的例子，在 sample ...
强化学习(Reinforcement Learning)学习笔记DAY01（RL分类和Q Learning简单例子）
沙鳄鱼的博客
07-14 668
分类 可以把所有的强化学习分成两类：Model-Free RL和Model-Based RL
RL（Reinforcement Learning）中经常使用算法分类
weixin_45187794的博客
09-11 445
RL算法分类 主要根据value-based和policy-based以及结合了基于值和基于概率的常见强化学习算法进行了分类。 欢迎进行补充和讨论以及指正。
【机器学习】深度强化学习–RL的基本概念、经典场景以及算法分类
ya的博客
08-15 2459
深度强化学习是一个快速发展的领域，随着算法和计算资源的进步，它有望在更多领域实现突破这些分类方式可以帮助我们更好地理解强化学习算法的不同特性和适用场景。随着研究的不断深入，新的算法和分类方式也在不断涌现。
Reinforcement-Learning
世界仙境与冷酷尽头's Blog
07-31 539
所以我们现在站在宝藏所处的位置，回头看看我们所走的寻宝之路，离宝藏越近的脚步我们看得越清楚，越远的脚步越渺小很难看清。：通过感官分析所处的环境，直接输出下一步采取的各种行动的概率，然后根据概率采取行动，所以每种动作都有可能被选中，只是可能性不同；ϵ - greedy是用在决策上的一种策略，如ϵ=0.9时，说明90%的情况按Q表的最优值来选择行为，10%的时间使用随机选择行为；SARSA算法在S2这一步估计的动作也是接下来要做的动作，所以现实值会进行改动，去掉maxQ,改为实实在在的该动作的Q值。
推荐算法发展历史
moonsheeper的专栏
09-02 481
**后续衍生模型**：**DeepFM**、**DCN**、**xDeepFM**等模型在Wide & Deep的基础上，更好地实现了自动的高阶特征交叉。这个演进过程体现了从“**知其然**”（CF）到“**知其所以然**”（MF），再到“**感知万物**”（深度学习），最终走向“**推理与创造**”（LLM+RL）的技术飞跃。* **特点**：实现了真正的个性化推荐，但深受**冷启动问题**（新用户、新物品无法被推荐）和**数据稀疏性问题**（用户-物品矩阵非常稀疏，难以计算相似度）的困扰。
综述 | Agentic RL for LLM的最新进展与未来挑战，idea满满
zenRRan的博客
09-04 1487
随着计算、算法和环境的不断进步，我们有望看到LLM智能体在数字世界和物理世界中扮演越来越复杂和重要的角色，真正成为能够理解、规划并改变世界的智能实体。：在推理时，通过提示让LLM生成答案、进行自我批判、然后输出修正后的答案。：智能体更大的攻击面（工具、内存）和RL的奖励黑客（reward hacking）特性，使其可能学会利用安全漏洞来实现目标。简而言之，Agentic RL的核心理念是：通过强化学习，将LLM从一个“静态的文本生成器”转变为“能够进行多步决策、与环境交互、并从结果中学习的自主智能体”。
离线强化学习(Offline RL)系列1：离线强化学习原理入门
热门推荐
深度强化学习(DeepRL)探索博客
03-28 1万+
离线强化学习（Offline RL）作为深度强化学习的子领域，其不需要与模拟环境进行交互就可以直接从数据中学习一套策略来完成相关任务，被认为是强化学习落地的重要技术之一。本文详细的阐述了强化学习到离线强化学习的发展过程，并就一些经典的问题进行了解释和说明。
ML、RL、DM、DL初步理解
小卜妞的博客
02-15 1万+
2020年2月15日16:24:51 今日任务： 弄明白以下四个内容的特点、方向、内容以及关系： 机器学习（ML） 深度学习（DL） 强化学习（RL） 数据挖掘（DM） ML 维基百科解释的很详细！ 机器学习算法基于样本数据（称为“ 训练数据 ”）建立数学模型，以便进行预测或决策，而无需明确地编程以执行任务。 机器学习是人工智能的一个部分，很广泛的用于应用中，如邮件检测和计算机视觉等。与统计学...
人工智能基础理论介绍和发展现状及未来趋势
AI天才研究院
04-04 2317
人工智能（AI）是近年来科技界的热门话题之一，其发展历程复杂且迅速。当前，AI技术主要包括机器学习、深度学习、强化学习、迁移学习等若干核心技术。这些技术在理论和应用上各有侧重点，相互之间也存在诸多交叉和融合。本博文将深入探讨这些技术的原理、应用和挑战，提供全面系统的人工智能发展概览。人工智能的发展途径可以归纳为三大类：机器学习、深度学习和强化学习。三者的区别在于学习方式和应用场景。机器学习和深度学习主要是通过监督和无监督学习方式进行模型训练，而强化学习则通过试错和奖励机制进行智能决策。迁移学习是机器学习和深
一、强化学习 (RL)基础
晓野豬
08-31 1712
1. 强化学习、监督学习和非监督学习 强化学习的思路和人类相似，在实践中学习； 强化学习是和监督学习、非监督学习并列的第三种机器学习方法； 强化学习和监督学习的区别： 监督学习带标签 (事先给出) 而强化学习只有奖励至 (延后给出) ； 强化学习的每一步与时间关联紧密，而监督学习的训练数据间一般都是相互独立的，无前后依赖关系； 强化学习和非监督学习的区别： 非监督学习无标签无奖励值，只有数据特征 ； 非监督学习的训练数据间一般都是相互独立的，无前后依赖关系； 2. 强化学习模型及其要
Lua非空判断方法[源码]
11-24
本文详细介绍了在Lua中进行非空判断的几种方法，特别是针对table类型的变量。首先，文章指出了直接对nil值进行索引会导致异常的问题，并给出了一个简单的例子来说明如何避免这种情况。接着，文章讨论了如何判断一个table是否为空，指出不能简单地使用`#table == 0`的方式，而是应该使用`next(t) == nil`的方法。此外，文章还提到了`next`指令在LuaJIT中的优化问题，建议在非必要情况下少用。最后，文章简要介绍了如何判断一个字符串是否全部由空格组成，使用了正则匹配的方法。这些内容对于Lua开发者来说非常实用，能够帮助他们避免常见的错误。
JS表格转Excel实现[可运行源码]
11-24
该文章详细介绍了如何使用JavaScript将HTML表格数据导出为Excel文件。内容涵盖了针对不同浏览器的兼容性处理，包括IE和非IE浏览器的不同实现方式。对于IE浏览器，使用ActiveXObject进行导出；对于非IE浏览器，则通过base64编码和数据URI方案实现。文章还提供了完整的代码示例，包括表格数据的处理、格式化和导出功能，支持文本和图片类型的数据导出。
图片转bin文件存储[项目代码]
11-24
本文介绍了在OpenCV项目中如何将大量图片数据转换为二进制（bin）文件进行高效存储和读取的方法。作者在项目中遇到需要处理大量图片数据的问题，尝试了多种格式（如.mat、.txt、.yml）后发现效率较低。通过使用二进制文件存储，显著提升了读写速度。文章详细展示了使用OpenCV将图片写入二进制文件的代码示例，以及从二进制文件读取图片数据的实现方法。虽然该方法需要提前知道图片的尺寸和数量，但读写速度极快，适合处理大量图片数据。作者还提到可以通过换行符或终止符优化读取过程，但未深入探讨。
ROS视觉处理与色彩识别[项目源码]
最新发布
11-24
本文详细介绍了在ROS环境下进行视觉处理的基础步骤，特别是针对色彩识别的实现方法。内容涵盖了从摄像头驱动的安装与配置（如usb_cam驱动和image_view工具的使用），到创建功能包和编写图像处理节点（包括RGB图像回调函数、HSV色彩空间转换、二值化处理及形态学操作）。此外，还演示了如何在仿真环境中获取图像，并通过OpenCV实现红色和绿色物体的识别与追踪。最后，文章提供了完整的代码示例和编译运行步骤，帮助读者快速上手ROS视觉处理项目。
Anaconda安装与使用指南[项目源码]
11-24
本文详细介绍了在Anaconda环境下安装和使用jupyter及numpy的步骤。首先，指导用户如何安装Anaconda并创建虚拟环境，然后详细说明了如何在虚拟环境中安装jupyter和numpy。接着，文章提供了多个numpy的练习示例，包括创建零向量、矩阵操作、归一化等。此外，还介绍了如何在Jupyter中完成numpy、pandas和matplotlib的例题，涵盖了从基础操作到实际应用的多个方面。最后，文章总结了实验过程中的经验，特别是在使用国内镜像源后下载速度的提升。
【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）
11-24
【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）内容概要：本文介绍了一种结合改进A*算法的JPS（跳跃点搜索）全局路径规划与DWA（动态窗口法）局部避障的混合控制算法，用于机器人在动静态障碍物环境下的自主导航。该算法通过JPS优化全局路径搜索效率，提升路径规划速度，并结合DWA实现实时动态避障，增强了机器人在复杂动态环境中的适应性和安全性。整个系统在Matlab平台上进行了代码实现与仿真验证，展示了良好的路径规划效果与避障性能。; 适合人群：具备一定机器人学、自动控制或路径规划基础知识的研究生、科研人员及从事智能机器人开发的工程技术人员。; 使用场景及目标：①应用于移动机器人在静态与动态障碍共存环境中的自主导航任务；②为研究高效全局规划与实时局部避障的融合策略提供技术参考与实现案例；③支持Matlab仿真环境下的算法验证与优化。; 阅读建议：建议读者结合Matlab代码深入理解JPS与DWA的集成逻辑，重点关注算法在路径最优性、计算效率与避障实时性之间的平衡设计，可进一步扩展至多机器人系统或复杂地形场景的应用研究。
kaggle竞赛分类代
12-16
Kaggle是一个知名的机器学习和数据科学竞赛平台，它组织的各种竞赛通常可以按照以下几类进行分类： 1. **预测性建模**：这类竞赛最常见，目标是通过给定的数据训练模型来进行预测，比如房价预测、股票价格走势预测、客户流失预测等。 2. **图像识别和计算机视觉**：涉及图像分类、物体检测、图像分割等任务，如ImageNet大赛就属于这一类别。 3. **自然语言处理（NLP）**：包括文本分类、情感分析、问答系统构建等，例如比赛要求对新闻标题进行主题分类。 4. **时间序列分析**：数据有明确的时间顺序，参赛者需要预测未来趋势，如销售预测或能源消耗预测。 5. **推荐系统**：根据用户的历史行为预测喜好并做出个性化推荐。 6. **强化学习（RL）**：解决决策过程中的优化问题，如围棋AI、游戏策略等。 7. **数据挖掘和特征工程挑战**：专注于数据预处理、特征提取和转换，有时会单独作为一个类别。 8. **实际应用项目**：与真实世界问题结合，例如医疗诊断、环境监测数据分析等。 参加Kaggle竞赛不仅能够提升技能，还能接触到最新的数据集和行业挑战，对于个人的职业发展和团队合作非常有益。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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