文章目录1.1 什么是强化学习1.2 强化学习的环境1.3 强化学习的目标1.4 强化学习的数据1.5 强化学习的特征 1.1 什么是强化学习 在机器学习领域，有一类重要的任务和人生选择很相似，即序贯决策(sequential)任务。决策和预测任务不一样，往往会有“后果”，因此决策者需要对未来负责，在未来的时间点做出进一步决策，实现序贯决策的机器学习方法就叫做强化学习(reinforcemen
转载
2024-08-02 08:03:47
62阅读
数据 每个数据集由样本（数据点/数据实例）组成，一般遵循独立同分布。 每个样本由特征（协变量）组成。当每个样本的特征数量相同时，该数量（长度）称为数据的维度。深度学习的一个优势就是可以处理不同维度的数据。 通常将可用数据集分为：训练数据集以及测试数据集。
训练数据集用于拟合模型参数测试数据集用于评估拟合的模型⚠️警惕垃圾数据、不均衡数据、无代表性数据带来的后果模型 深度学习的模型
转载
2024-07-25 17:08:58
104阅读
接下来一段时间要好好学习深度学习 和 Pytorch的基础知识。《动手学深度学习》(Pytorch版)今天刚刚了解到这份在线教程，迫不及待的赶紧食用了。地址：https://tangshusen.me/Dive-into-DL-PyTorch/#/
环境配置什么的就不说了，对于Anaconda，Pycharm，Pytorch的安装，以前都学习过也写过相关的博客： 这里贴上链接：Windows10下
如何使用函数装饰器？ 实际案例 某些时候我们想为多个函数，统一添加某种功能，比如记时统计、记录日志、缓存运算结果等等。 我们不想在每个函数内一一添加完全相同的代码，有什么好的解决方案呢？ 解决方案 定义装饰奇函数，用它来生成一个在原函数基础添加了新功能的函数，替代原函数 如有如下两道题：题目一 斐波那契数列又称黄金分割数列，指的是这样一个数列：1,1,2,3,5,8,13,21,….,
python2早已在 2020 年停止维护，随着Python版本的不断更新迭代，很多旧的语法在可读性与效率上都已经有更好的替代了。当然，大部分的重要特性，例如装饰器、生成器、async等，相信大家都已经了然于心，本文小编就对一些用的稍微少一些、日常看到的代码中不太常见，但是能用得上的语法做一个简单的总结，供大家参考，如果大家有什么不同的见解，还望各位大佬们多多指导、补充。日常的自用Python脚本
转载
2024-06-07 22:20:05
30阅读
动手强化学习（五）：时序差分算法 （Temporal Difference）1. 简介2. CartPole 环境3. DQN1. 适用，我们之
转载
2023-07-12 15:15:04
1224阅读
强化学习基础篇（四）：时序差分算法 （Temporal Difference）1. 简介2. 时序差分方法3. Sarsa 算法4
转载
2023-07-12 15:14:29
263阅读
第010讲：列表：一个打了激素的数组 | 课后测试题及答案测试题：列表都可以存放一些什么东西？我们说 Python 的列表是一个打了激素的数组，如果把数组比喻成集装箱，那么 Python 的列表就是一个大仓库，Ta 可以存放我们已经学习过的任何数据类型。
>>> mix = [1, ‘小甲鱼’, 3.14, [1, 2, 3]]向列表增加元素有哪些方法？append()、exte
转载
2024-06-05 16:02:18
45阅读
之前介绍的 Q-learning、DQN 及 DQN 改进算法都是基于价值（value-based）的方法，其中 Q-le
转载
2023-07-12 15:11:50
261阅读
强化学习基础篇（三）：动态规划算法 （Dynamic Programming）1. 简介2. 马尔可夫决策过程2.1 随机
转载
2023-07-12 15:15:08
102阅读
在之前的内容中，我们学习了基于值函数的方法（DQN）和基于策略的方法（REINFORCE），
转载
2023-07-12 15:12:02
346阅读
文章目录1 前言2 正文1.1 强化学习定义1.2 马尔可夫决策过程1.3 强化学习的目标函数1.3.1 总回报1.3.1 目标函数1.4 值函数1.4.1 状态值函数1.4.2 状态-动作值函数14.3 值函数的作用1.5 强化学习的分类1.5.1 按任务分类1.5.2按算法分类3 总结1 前言监督学习可用于回归，分类等任务，这一般都需要一定数量的带标签的数据。然而，在很多的应用场景中，通过人工标注的方式来给数据打标签的方式往往行不通。比如我们通过监督学习来训练一个模型可以来自动下围棋，就需要将当前
原创
2021-06-21 15:33:36
4106阅读
点赞
1评论
在什么情况下将连续的特征离散化之后可以获得更好的效果？工业界中很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征，这样做的优点可以归纳为以下几点：1. 特征鲁棒性更强离散化后的特征对异常值有很强的鲁棒性。
比如对于一个连续特征：年龄，如果直接将其作为特征，一个异常数据“年龄300岁”会给模型造成很大的干扰；如果离散为年龄>30为1，否则0。离散化后年龄300岁
强化学习强化学习强化学习Python 还能实现哪些 AI 游戏？附上代码一起来一把！
原创
2021-08-02 14:21:53
872阅读
动手强化学习（七）：DQN 改进算法——Double DQN、Dueling DQN1. 简介2. Do
转载
2023-07-12 15:12:39
718阅读
动手强化学习（七）：DQN 改进算法——Dueling DQN1. 简介2. Dueling DQN3. Dueling
转载
2023-07-12 15:12:13
229阅读
强化学习强化学习强化学习DQNDDPGPPOA3C
原创
2021-08-02 15:00:43
355阅读
目录一.强化学习1.1定义1.2组成二.应用2.1初出茅庐2.2无人驾驶2.3游戏示意图如下所示： 强化学习的各个组成元素的
原创
2024-02-22 11:43:04
254阅读
强化学习，是一种源于试错方式，遵循马尔科夫决策过程的机器学习方法。目前强化学习已广泛的出现在人工智能的应用中，国内各互联网公司从 2016 年开始均开始关注强化学习，目前已经公布了许多基于强化学习的研究与应用。当然最出名的还是 DeepMind 当年使用强化学习训练 AI 玩雅利达 2600 游戏的实验，这让 Google 迅速收购了 DeepMind，也把强化学习再度推上人工智能技术顶峰，同时为后来的 AlphaGo, AlphaZero 奠定了技术基础。**
原创
2019-04-09 12:52:33
624阅读
深度强化学习是一种机器学习，其中智能体(Agent，也翻译作代理)通过执行操作（Action）和查看结果（R
转载
2022-07-29 09:09:25
1448阅读
