我向实验室成员提供了一份关于强化学习的数学深入教程。这是为了帮助成员学习RL方法并将其应用于各自的问题领域，也为了我自己深入理解RL。演讲从Atari游戏玩智能体的背景下解释学习智能体开始，并解释了典型RL方法和论文中使用的不同成本函数和术语。本演讲旨在使听众对RL有足够的基本概念，以便他们可以立即开始阅读有关RL的最新论文，并能够理解其中的术语。
https://anmolsharma.co/talk/rl-tut/
成为VIP会员查看完整内容
A Mathematical Tutorial on 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。
相关VIP内容
相关资讯
相关论文
微信扫码咨询专知VIP会员