PoleToWin的博客

强化学习第一讲传统机器学习——有监督学习——回归任务、分类任务无监督学习——无标签——K-means——超像素分割Superpixel，根据色差 像素 等差异性 进行分类传统机器学习不能做什么？实现机器人的特殊舞步AlaphaGo强化学习一般性的框架 学习序列决策任务decision making tasks强化学习还能做什么？管理、控制集群的资源管理智慧城...

基于序列决策过程基础上马尔克夫决策过程1.强化学习模型构建具体优化什么变量？state 参数更新时和环境交互环境给Agent一个观察，智能体给一个动作，环境给一个reward 再下一个观察…数学化environment将state s0传递给agent，然后action A0，reward R1即S0 A0 R1 S1 A1…对这些序列 即Episode 学习每一次的过程称为Ep...

RL->DRL深度Q网络1、值函数的近似：对Q表近似2、Deep Q network为什么要把深度学习引入强化学习？自身处于研究的角度，遇到什么问题？在Q-learning中，首先初始化一个Q表，然后通过agent与环境交互采样获得episodes，最后根据Q值迭代直到收敛，得到最优的Q表对于4*4的矩阵 处理是简单的；但如果对于超级玛莉 显然有无数种，因为是连续的，很难列出所...

建模成马尔可夫决策过程，动态规划方法，一般或者最优策略，对状态转移概率清楚，遍历并选择策略，评价策略好坏，更新策略现实中无法知道环境，不知道状态，不知道概率，对于这类序列决策问题蒙特卡洛学习 Monte-Carlo Prediction目标：Agent Environment寻找最优策略 使得期望Q（S，W）最大化动态规划知道所有环境，我们需要知道环境的一个近似，MC方法从episode...

强化学习解法1）MDP模型求解，动态规划2）蒙特卡罗学习 采样 根据Q值学习3）持续差分算法TD算法内容：1）时序差分学习（Temporal-Difference Learning）2）Sarsa算法3）总结学过的RL解法DP：model-based 学习方式 需要知道状态转移矩阵；直接计算所有状态动作pair 的Q值或者V值表，然后通过贪心策略获得agent 的策略Monte...

深度理解强化学习强化学习解法 Q-learning时序差分学习on-policy : 在估计policy和值函数的时候，生成的样本所采用的policy与估计时用的一样的policy 同一策略下确定off-policy 估计policy和值函数时候 生成样本episode所采用的policy与估计时用的是不一样的policyon-policy 一边探索一边学习策略off-policy 两...

强化学习(7)策略梯度学习强化学习另外一个分支基于环境是否已知，基于策略来分有on、off policy1.策略梯度思想2.Reinforce算法使用基于值函数的学习需要和环境交互，传统普通的 基于Q表，通过对应的target更新方式，采用绝对贪婪策略确定策略。与环境交互得到值函数，输入神经网络再取到Q值比较大的地方，传统的Q-learning和DQN都是通过最优值函数...