Model-Based Methods in Reinforcement Learning 本教程对基于模型的强化学习(MBRL)领域进行了广泛的概述，特别强调了深度方法。MBRL方法利用环境模型来做决策——而不是将环境看作一个黑箱——并且提供了超越无模型RL的独特机会和挑战。我们将讨论学习过渡和奖励模式的方法，如何有效地使用这些模式来做出更好的决策，以及计划和学习之间的关系。我们还强调了在典型的RL设置之外利用世界模型的方式，以及在设计未来的MBRL系统时，从人类认知中可以得到什么启示。
成为VIP会员查看完整内容
【百度提取码: 6n8t】Tutorial on Model-Based Methods in Reinforcement Learning，279页ppt
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
10+阅读 · 2020年3月12日
Arxiv
9+阅读 · 2018年5月31日
相关VIP内容
相关资讯
相关论文
Arxiv
10+阅读 · 2020年3月12日
Arxiv
9+阅读 · 2018年5月31日
微信扫码咨询专知VIP会员