reinforcement learning

最新推荐文章于 2024-09-03 21:46:48 发布
原创 最新推荐文章于 2024-09-03 21:46:48 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习

本文综述了强化学习的基础概念及关键技术，包括经典算法如策略迭代、价值迭代、蒙特卡洛方法、时间差分学习等，并介绍了深度强化学习的前沿进展，如DQN及其在FlappyBird等游戏中的应用。


we are supposed to be different,folks,and wen people look at us,believe in yourself.

开山之作

Reinforcement Learning: An Introduction


Deep Reinforcement Learning 基础知识（DQN方面）

增强学习Reinforcement Learning经典算法梳理1：policy and value iteration

增强学习Reinforcement Learning经典算法梳理2：蒙特卡洛方法

增强学习Reinforcement Learning经典算法梳理3：TD方法

DRL前沿之：Hierarchical Deep Reinforcement Learning


A Painless Q-learning Tutorial (一个 Q-learning 算法的简明教程)


http://blog.youkuaiyun.com/dark_scope/article/details/8252969


强化学习系列


增强学习（一） ----- 基本概念

增强学习（二）----- 马尔可夫决策过程MDP

增强学习（三）----- MDP的动态规划解法

增强学习（四） ----- 蒙特卡罗方法(Monte Carlo Methods)

增强学习（五）----- 时间差分学习(Q learning, Sarsa learning)


增强学习与马尔科夫决策过程

Torch中的增强学习层

[深度学习]利用Keras深度学习框架和卷积神经网络玩FlappyBird


FlappyBirdRL

用Tensorflow基于Deep Q Learning DQN 玩Flappy Bird

深度强化学习：基于像素的乒乓游戏


深度增强学习方向论文整理



论文阅读16：Reinforcement Learning based Recommender System using Biclustering Technique
uuummmimiii的博客
04-02 943
Reinforcement Learning based Recommender System using Biclustering Technique 原文链接： https://arxiv.org/pdf/1801.05532.pdf “强化学习推荐，借助双聚类biclustering减少状态和动作空间优化效率和效果” Abstract： 推荐系统致力于在海量的信息中为用户...
Reinforcement Learning: An Introduction 2018年 第二版和之前2015中文翻译版
05-14
强化学习导论2018年第二版，作者：Richard S. Sutton and Andrew G. Barto，是强化学习方面最权威的学者，以及2015年中文翻译版
精选资源
Reinforcement learning an introduction中文pdf
08-25
Reinforcement learning an introduction中文pdf
强化学习算法复现研究：深度探究Reinforcement Learning-Based Fixed-Time轨迹跟踪控制机制及其在机械臂的应用-适应不确定性系统及输入饱和状态的自适应控制框架与简易代
01-18
强化学习算法复现研究：深度探究Reinforcement Learning-Based Fixed-Time轨迹跟踪控制机制及其在机械臂的应用——适应不确定性系统及输入饱和状态的自适应控制框架与简易代码实践指南。,《顶刊复现》(复现程度90%)...
精选资源
强化学习导论中文版 增强学习导论中文版 Reinforcement learning an introduction 中文版.
06-04
6. 深度强化学习（Deep Reinforcement Learning, DRL）：随着深度学习的发展，神经网络被用于估计Q值或策略函数，形成了深度Q网络（Deep Q-Network, DQN）和策略梯度等方法，解决了高维度状态空间的问题，实现了在...
deep reinforcement learning
10-25
深度增强学习（Deep Reinforcement Learning，简称DeepRL）是人工智能领域的一个重要分支，它结合了深度学习（Deep Learning，简称DL）与增强学习（Reinforcement Learning，简称RL）的技术，用于处理复杂决策过程中...
《_顶刊复现_：Reinforcement Learning-Based固定时间轨迹跟踪控制，适用于所有控制研究爱好者的机械臂控制代码框架》.pdf
最新发布
03-21
《_顶刊复现_：Reinforcement Learning-Based固定时间轨迹跟踪控制，适用于所有控制研究爱好者的机械臂控制代码框架》.pdf
Reinforcement Learning
huml126的专栏
02-17 604
Reinforcement Learing学习资料 学习资料 A Beginner’s Guide to Deep Reinforcement Learning Coursera class Practical Reinforcement Learing
Reinforcement learning
ruishiyu18的博客
09-08 273
Reinforcement learning has a wide applying prospect in automatic drive and game control and becomes hotter and hotter these years. We start to immersed in these fields and expect to achieve more goals...
Reinforcement_Learning
Multi-Agent_DRL
04-26 887
文章目录1 源码阅读 1 源码阅读 """ This part of code is the Q learning brain, which is a brain of the agent. All decisions are made in here. View more on my tutorial page: https://morvanzhou.github.io/tutorials/ ...
reinforcement learning学习
wallowinai的专栏
05-24 1012
最近研究了下RL，挺有意思的，在这里把心得写下来。 学习方式： 1，学习 MIT出的这本书《Reinforcement Learning: An Introduction》 非常不错的一本书，非常是和RL初学者，所讲概念清晰易懂、深入浅出。 关键概念： Reward， Action， Value Function,  Markov Decision Process， Q-lear
Reinforcement Learning(001)
机器会学习的博客
05-13 1094
What’s Reinforcement Learning? Reinforcement Learning 源于一个古老的心理学理论: Applyling a reward immediately after the occurrence of a response increases its probability of reoccurring, while providing punish...
Reinforcement Learning 1
GodWriter的博客
05-26 474
1. RL几个应用 Learning to play AlphaGo Supervised（监督学习的方式） 从老师那里学习，即通过打标签的方式学习 比如看棋谱学，但棋谱是人下的，人下的那一步就是最优的吗？ Reinforement Learning 从经验中学习，其实人可能都不知道哪一步是最优的 AlphaGo的学习方式 先做Supervised Learning，从高手棋谱中学习 通过Supervised Learning训练出两个模型，他们互相博弈 Learning a C
强化学习 (Reinforcement Learning)
Mr_Meng__NLP的博客
12-18 6335
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。
深度学习——强化学习算法介绍
swpucwf的博客
09-03 2299
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)里面去极大化它能获得的奖励。
强化学习(Reinforcement Learning)
热门推荐
extremecold
03-12 3万+
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
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