墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
本文是对 http://mnemstudio.org/path-finding-q-learning-tutorial.htm 的翻译，共分两部分，第一部分为中文翻译，第二部分为英文原文。翻译时为方便读者理解，有些地方采用了意译的方式，此外，原文中有几处笔误，在翻译时已进行了更正。这篇教程通俗易懂，是一份很不错的学习理解 Q-learning 算法工作原理的材料。
第一部分：中文翻译
第二部分：英文原文
作者: peghoty
出处: http://blog.youkuaiyun.com/peghoty/article/details/9361915
欢迎转载/分享, 但请务必声明文章出处.
Artificial Intelligence
Machine Learning
强化学习资源——Hands-On Reinforcement Learning、Deep Reinforcement Learning Hands-On等
Hands-On Reinforcement Learning with Python PDF 链接：https://pan.baidu.com/s/1CzplQERRjwgi0b9pQTebFw 密码：u3v5 代码 链接：https://pan.baidu.com/s/1rrmuZTPML-ZLJZlGWhUVdA 密码：qzf8 这本书的代码是Tensorflow Deep Reinfor...
Q-Learning
Q-learning原理即代码实现
强化学习（Reinforcement learning）综述
文章目录Reinforcement learning 综述强化学习的分类环境（Model-free,Model-based）Based(Policy-Based RL & Value-Based RL)回合更新和单步更新在线学习和离线学习强化学习理论基础马尔可夫决策过程（Markov Decision Processes,MDPs）基本概念MDP 求解Bellman期望方程Bellman方程的分析状态价值函数和动作价值函数的关系最优方程最优价值函数（optimal state-value funct
【机器学习】Q-Learning详细介绍
Q-learning 是一种机器学习方法，它使模型能够通过采取正确的操作来迭代学习和改进。 Q-learning属于强化学习的算法
强化学习(reinforcement learning)简介
机器学习可以分为三类，分别是 supervised learning，unsupervised learning 和reinforcement learning。 强化学习与监督学习，非监督学习之间的关系 强化学习是机器学习的一种方法，同样类似于深度学习，他们之间的关系可以用一幅图简单明了的描述： RL与有监督学习、无监督学习的比较： （1）有监督的学习是从一个已经标记的训练集中进行学习，训...
【机器学习】Reinforcement Learning-强化学习基础算法
强化学习（Reinforcement Learning, RL），又称增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。...
强化学习(Reinforcement Learning)
背景当我们思考学习的本质时，我们首先想到的可能是我们通过与环境的互动来学习。无论是在学习开车还是在交谈，我们都清楚地意识到环境是如何回应我们的行为的，我们试图通过行为来影响后续发生的事情。从互动中学习几乎是所有智能系统的理论基础。Reinforcement learning 是机器学习里面的一个分支，善于控制一个能够在某个环境下 自主行动 的个体，通过和 环境 之间的互动，不断改进它的 行为。强化学
强化学习（Reinforcement Learning, RL）的应用案例
我们首先定义一个简单的交通环境，模拟交通流量和信号灯切换。Python复制importgym#定义状态空间：每个方向的车辆数量#定义动作空间：信号灯状态self.action_space=spaces.Discrete(4)#0:北南通行，1:东西通行，2:全停，3:对角线通行#初始化状态self.state=np.random.randint(0,10,size=4)#随机初始化每个方向的车辆数量#模拟车辆流量变化。
强化学习（RL)——Reinforcement learning
强化学习（Reinforcement Learning, RL）**是机器学习中的一个领域**，又称再励学习、评价学习或增强学习。强化学习也是一类机器学习算法, 而强化学习是介于监督学习和非监督学习的另外一种学习方式。 强化学习+深度学习就等同于人工智能！
Q-Learning 简介：初学者教程（1）
强化学习强调无模型学习算法，因此出现Q-Learning，Q-Learning算法酷似“有限状态自动机”模型，只是增加了奖励机制和Agent机制，而Agent与粒子群算法、蒙特卡洛算法是有关的。本文介绍这个算法框架。
基于Active-HDL的HDL设计录入与仿真
作者：毛茏玮 / Saint 掘金：https://juejin.im/user/5aa1f89b6fb9a028bb18966a 微博：https://weibo.com/5458277467/profile?topnav=1&wvr=6&is_all=1 GitHub：github.com/saint-000 优快云: https://me.youkuaiyun.com/qq_4053...
强化学习（Reinforcement learning）
引言强化学习是除了监督学习和无监督学习之外的另一种机器学习方法。监督学习：是从标记好的训练数据中学习模型。无监督学习：是从未标记的数据中发现模式、结构或关系，而无需提前知道预期的输出标签。强化学习：其重点是让智能体（agent）从与环境的交互中学习，以达到最大化某种形式的累积奖励。在强化学习中，智能体采取一系列行动来实现特定目标，然后根据环境的反馈（奖励或惩罚）来调整其行为策略。强化学习有哪些好处...
Windows上搭建OpenHarmony星闪开发环境：HiSpark Studio全流程指南
嵌入式开发中，环境搭建是项目启动的关键步骤。OpenHarmony作为开源操作系统，其构建体系依赖Python脚本和GN/Ninja工具链，对版本兼容性要求严格。星闪（NearLink）技术作为新一代短距无线通信方案，在时延、并发和抗干扰方面优势显著，广泛应用于智能家居、工业控制等场景。在Windows平台上，通过HiSpark Studio集成开发工具，开发者可高效完成代码编辑、编译、烧录与调试。然而，Python版本冲突、环境变量配置、驱动签名等问题常导致搭建失败。本文详细拆解从系统准备到编译验证的全流
论文翻译 —— Episodic reinforcement learning with associative memory
标题：Episodic reinforcement learning with associative memory 文章链接：Episodic reinforcement learning with associative memory 领域：强化学习 - 情节控制（episodic control） 文章目录EPISODIC REINFORCEMENT LEARNING WITH ASSOCIATIVE MEMORY1. INTRODUCTION2 BACKGROUND3. RELATED WOR.
PX4无人机-Gazebo仿真实现动态目标追踪的视觉控制方案
本文详细介绍了PX4无人机在Gazebo仿真环境中实现动态目标追踪的视觉控制方案。从PX4与Gazebo仿真环境搭建、动态目标追踪核心技术栈、仿真环境深度定制技巧到追踪算法的优化实践，提供了全面的技术指导和常见问题排查方法，帮助开发者高效实现无人机视觉追踪功能。
锁定放大器
锁定放大器
强化学习 (Reinforcement Learning) 基础及论文资料汇总
书籍 1. 《Reinforcement Learning: An Introduction》Richard S. Sutton and Andrew G.Bartohttp://incompleteideas.net/book/RLbook2020.pdf Code (Python Implementation): GitHub - ShangtongZhang/reinforcement-learning-an-introduction: Python Implementation of Rein.
【本体】Protege高效批量导入实例(Individuals)的自动化实践
本文详细介绍了在Protege中高效批量导入实例(Individuals)的自动化实践方法。通过分析Protege本体文件结构，提供Python脚本示例，帮助用户快速处理大规模数据导入，显著提升知识图谱构建效率。特别适合需要处理数千个实例的医疗、制药等领域应用。
Reinforcement Learning Algorithms 开源项目教程
Reinforcement Learning Algorithms 开源项目教程 1. 项目介绍 本项目 rl_algorithms 是一个开源的强化学习算法库，包含了多种强化学习算法的实现，用于研究和开发。该项目由Medipixel团队维护，并欢迎外部贡献者参与。项目中包含了如Advantage Actor-Critic (A2C)、Deep Deterministic Policy Gradi...
物理信息神经网络（PINN）文献综述 —— 原理、严格推导与优化训练策略
本章系统阐述物理信息神经网络的理论基础、主要算法改进与训练策略。内容涵盖：PINN 的数学表述与残差构造；损失与梯度的逐步推导；训练困难（梯度消失/爆炸、损失幅度不平衡、频谱偏差、采样效率低等）的定量分析；四类核心解决方案（动态损失加权、梯度归一化与预条件化、自适应采样、分阶段/分域训练）的详细推导与实现要点；以及若干关键算法的伪代码与收敛性形式结论。所有涉及推导的步骤均按顺序展开，给出必要的数学依据与结论性陈述，可直接作为教学或参考章节使用。
【自监督学习完整教程】第 1 章：初识自监督学习
摘要： 自监督学习（SSL）是一种利用无标签数据自动生成伪标签进行模型训练的方法，有效降低了人工标注成本。本文对比了监督学习、无监督学习和SSL的差异，重点阐述了SSL通过设计PretextTasks（如图像旋转预测）从数据中提取深层特征的原理。实践部分以PyTorch实现图像旋转预测任务为例，展示了SSL的训练流程。实验表明，SSL能够学习通用视觉特征，适用于计算机视觉、自然语言处理等领域，尤其在标注数据稀缺的场景中表现优异。
强化学习 (Reinforcement Learning)
强化学习： 强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。
《UDS协议从入门到精通》系列——图解0x10：诊断会话控制
什么是诊断会话控制服务？切换模式时ECU要做哪些？有没有通信示例？本文全网最详解！！
Reinforcement-Learning-Pytorch-Cartpole：轻松上手强化学习
Reinforcement-Learning-Pytorch-Cartpole：轻松上手强化学习 项目介绍 Reinforcement-Learning-Pytorch-Cartpole 是一个基于 PyTorch 实现的简单 CartPole 示例。CartPole 是一个经典的强化学习问题，它通过训练一个智能体（Agent）来平衡一个放置在车顶的杆。由于该问题简单，收敛速度快，因此非常适合作为...
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
详解强化学习（Reinforcement Learning）（基础篇）
不过，目前有许多开源的强化学习库（如OpenAI Gym、TensorFlow、PyTorch等），提供了DDPG算法的实现示例和教程，可以参考这些库中的示例代码来实现DDPG算法。Actor网络通过最大化值函数Q(s, a)的梯度来更新策略函数的参数，而Critic网络通过值函数的近似来估计最大化累积奖励。其中，Q(s, a)表示在状态s执行动作a的累计奖励估计值，α为学习率，r为当前的立即奖励，γ为折扣因子，s’为执行动作a后的新状态，a’为在新状态s’下的最优动作。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9342
扫一扫
