强化学习是一种学习范式，它关注的是如何控制一个系统，从而最大化一个表示长期目标的数值性能度量。强化学习与监督学习的区别在于，对于学习器的预测，只会给予部分反馈。此外，这些预测可能通过影响被控制系统的未来状态而产生长期影响。因此，时间扮演着特殊的角色。强化学习的目标是发展有效的学习算法，以及了解算法的优点和局限性。强化学习之所以引起人们极大的兴趣，是因为它可以用于解决大量的实际应用，从人工智能到运筹学或控制工程的问题。在这本书中，我们专注于那些建立在强大的动态规划理论基础上的强化学习算法。我们给出了一个相当全面的学习问题的目录，描述了核心思想，关注大量的最先进的算法，然后讨论了它们的理论性质和局限性。
成为VIP会员查看完整内容
Algorithms of 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 · 2021年10月10日
Arxiv
3+阅读 · 2020年6月15日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2021年10月10日
Arxiv
3+阅读 · 2020年6月15日
微信扫码咨询专知VIP会员