李察·萨顿和安德鲁·巴托以清晰简明的方式阐述了强化学习的关键思想和算法。他们的讨论范围从该领域的知识基础历史到最近的发展和应用。
强化学习是人工智能中最活跃的研究领域之一，是一种计算学习方法，其中一个代理试图在与复杂、不确定的环境交互时最大化其获得的总奖励。在《强化学习》这本书中，李察·萨顿和安德鲁·巴托以清晰简明的方式阐述了强化学习的关键思想和算法。他们的讨论范围从该领域的知识基础历史到最近的发展和应用。所需的数学背景仅是对基本概率概念的熟悉。
该书分为三部分。第一部分用马尔可夫决策过程来定义强化学习问题。第二部分提供基本解决方法：动态规划，蒙特卡洛方法，和时差学习。第三部分提供了一个关于解决方法的统一视角，并融入了人工神经网络，资格痕迹和规划；最后两章提供了案例研究，并考虑了强化学习的未来。
成为VIP会员查看完整内容
Reinforcement Learning
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8月31日
Arxiv
135+阅读 · 2023年4月7日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2023年8月31日
Arxiv
135+阅读 · 2023年4月7日
微信扫码咨询专知VIP会员