一、基本架构图1、整个架构组件：java客户端
dropwizard-metrics：springboot、hystrix的metric体层使用了这个，所以我们需要自己封装向statsd发包的方法，来发送这些metrics给statsdjava-statsd-client：直接进行计数并且非常方便的向statsd发送这些metrics（向statsd发包的方法已经封装好了）statsdgr
转载
2024-04-09 14:43:23
83阅读
动态规划在计算机中是一个比较玄学的算法，有的人可能看很久都很疑惑这到底是怎么回事，但是一旦理解了，上手就非常容易了。算法描述（以下内容来自百度百科）动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法。20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程(multistep decision
转载
2024-04-09 15:07:09
41阅读
强化学习基础篇（五）：Dyna-Q 算法 （Dynamic Programming）1. 简介2. Dyna-Q3. Dyna-Q 代码实践4. 小结文
转载
2023-07-12 15:19:35
203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
4111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
深度强化学习（Deep Reinforcement Learning）是一种结合深度学习和强化学习的算法，用于解决具有高维状态空间和动作空间的复杂任务。它通过将神经网络作为值函数近似器来实现强化学习。
在传统的强化学习中，值函数可以是一个表格，每个状态和动作对应一个值。然而，对于具有大量状态和动作的问题，表格方法的存储和更新变得非常困难。深度强化学习通过使用神经网络来近似值函数，解决了这个问题。
原创
2023-08-30 09:04:52
499阅读
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
协作图显示某组对象，如何为了由一个用例描述的一个系统事件而与另一组对象进行协作的交互图。协作图的组成部分协作图强调参与一个交互对象的组织，基本元素包括：活动者（Actor）、对象（Object）、连接（Link）和消息（Message） 对象：用长方形框表示对象。 连接：使用实线标记两个对象之间的连接。 消息：由标记在连接上方的带有标记的箭头表示。 当
转载
2024-09-14 08:36:27
32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
目录简介离线学习在线学习在线学习算法的分类在线学习算法的优化对比总结参考文献 简介机器学习领域中，可将机器学习算法分为在线学习和离线学习。需要根据数据选择不同的线性可分和线性不可分的核函数。离线学习离线学习也通常称为批学习，是指对独立数据进行训练，将训练所得的模型用于预测任务中。将全部数据放入模型中进行计算，一旦出现需要变更的部分，只能通过再训练(retraining)的方式，这将花费更长的时间
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、AC自动机是什么？二、自动机的构建。三、自动机朴素实现方法以及优化版本总结 前言提示：这里可以添加本文要记录的大概内容： AC自动机的构建，分析优化，时间复杂度分析。提示：以下是本篇文章正文内容，下面案例可供参考一、AC自动机是什么？AC自动机就是一个单词查找器，能够高效的查找单词是否存在在字典树里面。二、自动机的构
转载
2024-03-31 18:57:58
85阅读
【强化学习】⚠️手把手带你走进强化学习 1⚠️ 强化学习简介.
原创
2021-09-23 04:02:53
276阅读
【强化学习】⚠️手把手带你走进强化学习 1⚠️ 强化学习简介.
原创
2022-01-12 09:38:08
1154阅读
强化学习（八）：Dyna架构与蒙特卡洛树搜索MCTS 在基于表格型强化学习方法中，比较常见的方法有动态规划法、蒙特卡洛法，时序差分法，多步引导法等。其中动态规划法是一种基于模型的方法（Model-based），因为它的前提是必须要知道所有状态和动作以及奖励的分布；后面的几种方法则是基于采样的方法，试图让智能体通过与环境交互来获得经验，从经验中推出相关的策略。因此本节对相关内容进行一个简单的总结，
原创
2022-12-22 03:32:26
517阅读
进阶课程需要一些基础知识：1、机器学习基础知识2、概率论知识3、线性代数和微积分4、python编程我们需要知道的机器学习基础知识：1、线性回归：均方误差（MSE）、解析解2、逻辑回归：模型、交叉熵损失、类概率估计3、线性模型的梯度下降、均方误差（MSE）和交叉熵的求导4、过拟合问题5、线性模型的正则化 一、线性回归模型（linear model）回归任务：收入预测、电影评分等预测结果是
一、前述本文通过一个案例来讲解Q-Learning二、具体1、案例假设我们需要走到5房间。转变为如下图：先构造奖励，达到5，即能够走得5的action则说明奖励比较高设置成100，没有达到5说明奖励比较低，设置成0。Q-learning实现步骤：2、案例详解：第一步的Q(1,5)：最开始的Q矩阵都是零矩阵，迭代完之后Q（1,5）是...
原创
2022-12-30 16:49:04
803阅读
强化学习的理论框架——马科夫决策过程（MDP）强化学习，本质上是让计算机学会自主决策的方法论。而马可夫决策过程（Markovdecisionprocess,MDP）则是强化学习中，对现实问题进行建模的数学模型，它把所有的现实问题都抽象为：智能体与环境的互动过程；在互动过程中的每个时间步，智能体都收到环境的状态（环境向智能体呈现一种情况），智能体必须选择相应的响应动作，然后在下一个时间步，智能体获得
转载
2018-05-02 10:57:54
5209阅读
