强化学习入门

已于 2025-01-09 17:54:27 修改
阅读量135 收藏
点赞数 3
分类专栏： 强化学习 文章标签： 人工智能
于 2025-01-08 22:10:28 首次发布
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.youkuaiyun.com/m0_74001625/article/details/145018802
版权

RL学习路径

理解DQN原理

理解 标准版的策略梯度算法(Vanilla Policy Gradient)

模仿学习实践

Actor-Critic原理

从大模型机器人到imitation Learning与diffusion policy、ACT(Action Chunking with Transformers)的关系

大模型与机器人

tmp:

强化学习中的优势函数（Advantage Function）-优快云博客

https://zhuanlan.zhihu.com/p/110881517

【强化学习】策略梯度（Policy Gradient，PG）算法_pg算法-优快云博客

策略梯度算法（Policy Gradient）逐行代码详解_策略梯度 代码详解-优快云博客

强化学习入门这一篇就够了！！！万字长文
CltCj的博客
08-06 14万+
强化学习 强化学习入门这一篇就够了万字长文带你明明白白学习强化学习... 强化学习入门这一篇就够了强化学习前言一、概率统计知识回顾1.1 随机变量和观测值1.2 概率密度函数1.3 期望1.4 随机抽样二、强化学习的专业术语2.1 State and action2.2 policy-策略2.3 reward2.4 状态转移2.5 agent与环境交互三、强化学习的随机性3.1 动作随机3.2 状态转移的随机性四、如何让AI自动打游戏？五、强化学习基本概念5.1 Return5.2 价值函数5.3 Q~
强化学习极简入门：通俗理解MDP、DP MC TD和Q学习、策略梯度、PPO
热门推荐
结构之法 算法之道
02-10 9万+
强化学习里面的概念、公式，相比ML/DL特别多，初学者刚学RL时，很容易被接连不断的概念、公式给绕晕，而且经常忘记概念与公式符号表达的一一对应(包括我自己在1.10日之前对好多满是概念/公式的RL书完全看不下去，如今都看得懂了，故如果读文本之前，你正在被RL各种公式困扰，相信看完这篇RL极简入门后就完全不一样了)。
强化学习入门指南（含实战代码）
m0_74298497的博客
03-05 1454
强化学习是一种让智能体通过与环境交互来学习最优行为策略的方法。智能体在某一状态（State）下执行动作（Action），环境根据动作返回新的状态和奖励，智能体的目标是学习一个策略（Policy），使其在长期内获得最大化的累积奖励。这种方法特别适用于动态、不确定性强的场景，例如机器人导航或游戏中的决策。与监督学习（需要大量标记数据）和无监督学习（发现数据中的模式）不同，强化学习通过试错和奖励机制进行学习，更接近生物的学习方式。
强化学习入门之基本概念
weixin_43575792的博客
04-14 956
开始学习强化学习，真是一言难尽！百度百科定义：强化学习是智能体（Agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏。
强化学习新手入门
qq_40641591的博客
10-22 1950
强化学习作为机器学习中一个至关重要的领域，它构建了一个充满探索与反馈的动态过程。在这个过程中，智能体就如同一位不断摸索的学习者，试图在与环境的反复交互中，找寻那一条能够引领其获取最大累积奖励的最优策略。在图中，机器人面对一个环境，这个环境中有不同的物体（如球或障碍物），它需要通过行动来影响环境。箭头指示了智能体如何通过动作与环境进行交互（例如，它可以控制球向某个方向移动或者执行推球动作等），同时从环境中获得反馈（奖励或惩罚），这一过程反映了强化学习的机制。
（一）强化学习基础概念及学习路径
h320130的博客
12-13 1955
强化学习（Reinforcement Learning, RL）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。其涉及的内容很多，本文仅针对其基础概念以及学习路径进行了介绍和总结，供初学者借鉴和学习。 ​
强化学习（一）基础概念入门
Linshaodan520的博客
04-12 1415
介绍了强化学习的基本概念，以及常见算法的分类
深度强化学习【1】-强化学习入门必备基础（含Python迷宫游戏求解实例）
Moresweet 猫甜
04-16 5002
强化学习是以奖励作为目标的机器学习方法，其思路仿照生物的经验学习方法，其没有标签数据，所以奖励是非常重要的指标，强化学习方向的最终目标是将总奖励最大化，奖励的建模设计引导整个强化学习的走向。其基础概念包含策略、动作、状态、价值函数等，配有迷宫实例进行结合讲述。
强化学习入门之MDP
weixin_43575792的博客
04-18 627
我们已经知道使用MDP来对强化学习进行建模，所以这次来学习如何求解MDP马尔可夫决策过程的形式为，求解MDP通常有两种方式，一种是求解最优策略，另一种是求解最优值函数。求解之前我们需要了解值函数和策略的概念，值函数是为了评估当前状态或状态-动作的期望回报，值函数根据场景分为两种，一种是状态值函数，另一种是状态动作值函数；策略对应着MDP中的P，也就是状态转移函数，根据策略智能体进行状态转移。
强化学习入门 2023.pdf
03-10
强化学习入门书中提到的强化学习大师级人物包括Andrew G. Barto教授和Richard S. Sutton教授，他们撰写的《强化学习导论》是一本入门深度强化学习的经典教材。该书在2018年推出的第二版，新增了大量应用案例分析，...
强化学习基础算法介绍+Pytorch代码（相信我，绝对是你想要的）
03-21
在这个“强化学习基础算法介绍+Pytorch代码”资料中，我们可以期待了解到强化学习的基本概念、核心算法以及如何用PyTorch实现这些算法。 首先，强化学习的核心概念包括状态（State）、动作（Action）、奖励（Reward...
深度强化学习入门详细资料
05-28
其次，"DRL-入门深度强化学习.pdf"是一份170页的PPT，它可能侧重于DRL的基础知识和实践应用。这份PPT可能包括DRL的历史背景、主要框架、经典环境（如Atari游戏和OpenAI Gym）的介绍，以及一些实战案例分析。通过这份...
强化学习入门笔记.pdf
08-07
强化学习入门需要掌握一些基础的概率统计知识，以及强化学习领域特有的专业术语。 概率统计是强化学习的基础之一。强化学习中的许多概念和算法都与概率统计紧密相关。首先，随机变量是一个基础概念，它是一个不确定...
强化学习入门教程：从基础到深度学习
04-11
本书名为《Easy RL：强化学习教程》，由王琦、杨毅远、江季编著，旨在为读者提供强化学习领域的全面入门指导。书中首先介绍了强化学习的基本概念，包括与监督学习的区别、序列决策过程、智能体的组成和类型、学习与...
阿里开源 CosyVoice2：打造 TTS 文本转语音实战应用
蜗牛的博客
05-23 933
阿里通义实验室推出的音频基座大模型 FunAudioLLM 包含 SenseVoice 和 CosyVoice 两大模型。CosyVoice 2.0 在多语言支持、超低延迟、高精度、强稳定性和自然体验方面均有显著提升。它支持中文、英文、日文、韩文及多种中文方言，并实现了跨语言和混合语言的语音克隆。CosyVoice 2.0 集成了离线和流式建模技术，首包合成延迟低至150毫秒，发音错误率减少了30%到50%，并在基准测试中达到了最低字符错误率。
马尔可夫链（AI、ML）：逻辑与数学的交汇
项目git同名小胡说技书
05-20 1278
# 马尔可夫链摘要 马尔可夫链是一种随机过程，其核心特性为"无记忆性"：系统的未来状态仅依赖于当前状态，而与历史路径无关。通过状态空间和转移概率矩阵，马尔可夫链能够描述系统如何从一个状态变化到另一个状态。这一理论广泛应用于人工智能、自然语言处理和蒙特卡洛方法中。从逻辑学角度看，马尔可夫链体现了确定性规则与不确定性结果的结合，为复杂系统分析提供了强大工具，展示了概率论与逻辑学的深度融合。
YOLO12改进-Backbone-引入Swin Transformer替换backbone
最新发布
qq_64693987的博客
05-23 899
在计算机视觉领域，卷积神经网络（CNNs）和Transformer架构分别在不同任务中取得了显著成功。受Transformer在自然语言处理中的启发，研究人员将其应用于视觉任务，但面临计算复杂度高等挑战。SwinTransformer通过引入滑动窗口机制和层次化设计，有效降低了计算复杂度，同时保持了Transformer的建模能力。改进后的SwinTransformer结合了移位窗口自注意力和相对位置偏差，进一步提升了模型性能。此外，SwinTransformer与YOLOv12的结合，通过层次化特征图和移
飞致云旗下开源项目GitHub Star总数突破150,000个
FIT2CLOUD飞致云的博客
05-20 815
在开源的道路上，我们与用户、与客户共成长。
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