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）
【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下载链接~
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！
-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
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
3+阅读 · 2018年2月1日
相关VIP内容
相关资讯
相关论文
Arxiv
3+阅读 · 2018年2月1日
微信扫码咨询专知VIP会员