【简明书】强化学习的基础，111页pdf
这本手稿涵盖了强化学习的所有重要的基本方面。第二章采用马尔可夫决策过程对主体与环境之间的相互作用进行建模。第三章介绍了基于给定环境模型解决MDP问题的核心技术——动态规划。一般来说，解决MDP问题涉及到政策评估和政策改进的迭代。在第四章中，我们讨论了无模型方法:蒙特卡洛，TD学习，SARSA和q学习。第五章对强化学习中的值函数逼近进行了一般讨论。作为一个重要的例子，深度Q-learning将在第6章中详细介绍。第7章介绍了策略梯度方法，重点介绍了策略梯度定理、REINFORCE算法、Advantage Actor-Critic算法等基本概念。
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“R111” 就可以获取《【简明书】强化学习的基础，111页pdf》专知下载链接
登录查看更多
相关内容
强化学习（RL）是机器学习的一个领域，与软件代理应如何在环境中采取行动以最大化累积奖励的概念有关。除了监督学习和非监督学习外，强化学习是三种基本的机器学习范式之一。
强化学习与监督学习的不同之处在于，不需要呈现带标签的输入/输出对，也不需要显式纠正次优动作。相反，重点是在探索（未知领域）和利用（当前知识）之间找到平衡。
该环境通常以马尔可夫决策过程（MDP）的形式陈述，因为针对这种情况的许多强化学习算法都使用动态编程技术。经典动态规划方法和强化学习算法之间的主要区别在于，后者不假设MDP的确切数学模型，并且针对无法采用精确方法的大型MDP。
Arxiv
0+阅读 · 2023年1月12日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2023年1月12日
微信扫码咨询专知VIP会员