美国哈佛&MIT等学者最新Nature论文:医疗强化学习技术指南(附下载)

2019 年 1 月 10 日 专知

【导读】昨天我们介绍了由斯坦福大学与Google Jeff Dean研究组合作撰写,的Nature论文,介绍深度学习领域中各类方法在医疗领域中的应用前景。

斯坦福&谷歌Jeff Dean最新Nature论文:医疗深度学习技术指南(29页综述)。今天我们继续介绍由美国哈佛&MIT医学院等最新论文,关于强化学习在医疗健康的技术应用指南。为采用强化学习进行患者治疗决策提供指导方针,我们希望这将加快观察群组以安全、有风险意识的方式告知医疗实践的速度。

地址:

https://www.nature.com/articles/s41591-018-0310-5#author-information


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知

  • 后台回复“GRLH” 就可以获取全文论文载链接~ 

  • 专知《深度学习:算法到实战》正在开讲,涉有强化学习及实战,欢迎报名!

专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授!




-END-

专 · 知

   专知《深度学习: 算法到实战》课程正在开讲! 中科院博士为你讲授!


请加专知小助手微信(扫一扫如下二维码添加),咨询《深度学习:算法到实战》参团限时优惠报名~

欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询!

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
11

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。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
还在修改博士论文?这份《博士论文写作技巧》为你指南
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
【综述】自动驾驶领域中的强化学习,附18页论文下载
专知会员服务
172+阅读 · 2020年2月8日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
270+阅读 · 2020年1月1日
斯坦福&谷歌Jeff Dean最新Nature论文:医疗深度学习技术指南
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
医疗中的自动机器学习和可解释性
专知
24+阅读 · 2019年4月1日
最新415页《人工智能与机器人原理》书籍
专知
11+阅读 · 2019年3月31日
自动驾驶最新综述论文(31页PDF下载)
专知
118+阅读 · 2019年1月15日
448页伊利诺伊大学《算法》图书-附下载
专知
15+阅读 · 2018年12月31日
Logically-Constrained Reinforcement Learning
Arxiv
3+阅读 · 2018年12月6日
Multi-task Deep Reinforcement Learning with PopArt
Arxiv
4+阅读 · 2018年9月12日
Arxiv
11+阅读 · 2018年7月31日
VIP会员
Top
微信扫码咨询专知VIP会员