TCP中滑动窗口的作用：流量控制拥塞控制提高传输效率流量控制接收端窗口大小，代表接收端缓冲区还有多少大小，从而控制发送端发送大小，达到流量控制的目的。拥塞控制拥塞控制也就是考虑当前的网络环境，动态调整窗口大小，没有发生拥塞情况，则窗口增大，拥塞了窗口减小，如此往复，最终应该接近与接收端的窗口大小。 慢启动和拥塞避免： 在开始发送信息时，由于不知道具体的网络环境，为避免大量信息造成的拥塞现象，此
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
3433阅读
点赞
1评论
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
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
564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
1169阅读
强化学习强化学习强化学习DQNDDPGPPOA3C
原创
2021-08-02 15:00:43
298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
765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
937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
202阅读
从离散空间到连续空间在之前提到的强化学习任务中，都是有限的MDP框架，即动作空间及状态空间的个数都是有限个。然而，现实生活中的很多问题动作空间与状态空间并非离散的，而是连续的。那么如何用强化学习的理论基础去解决问题呢？主要有两种思路：离散化处理、函数逼近。离散化处理：指的是把连续空间用区域o化的方式划分成有限的个数。具体的处理手法有Tilecoding及Coarsecoding。函数逼近：指的是把
转载
2018-05-02 11:08:53
10000+阅读
点赞
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
566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
5075阅读
、强化学习入门简介强化学习是一种非监督学习的机器学习方法，对比监督学习，强化学习
原创
2023-06-25 07:22:18
148阅读
目录参数iterationepisodeepochBatch_SizeExperimence Replay Buffer经验回放缓存Rewarddiscount factor或gamma折扣因子Agent神经网络batch normalization批归一化dropout随机失活lr(learning rate)学习率/步长weight decay权重衰减离散动作探索策略（以epslion-Gre
从今年的九月份到现在，接触机器学习、深度学习再到现在的深度强化学习已经有三个月的时间了。从java web开发到人工智能的领域转变的过程中，学到了很多很杂的东西，感觉这才是我以后要研究的东西。然而，在这个转变的过程中，老是急于求成，虽然代码写过很多，论文看了不少，但是总是觉得基础不够牢固，所以想写下博客来沉淀一下。 前提概念 1、离散动作和连续动作 根据动作的不同类型选择和构造的模型影响很大，
第十四章 利用SVD简化数据一．引言SVD的全称是奇异值分解，SVD的作用是它能够将高维的数据空间映射到低维的数据空间，实现数据约减和去除噪声的功能。SVD的特点主要有以下几个方面：1.它的优点：去除噪声，简化数据，提高算法的结果2.它的缺点：数据的转化难以理解3.它适用的数据：数值型数据 二．SVD的作用SVD经常用于信息检索领域，在信息检索中我们将使用了SVD方法的数据文档
一、前述强化学习是学习一个最优策略(policy)，可以让本体(agent)在特定环境(environment)中，根据当前的状态(state)，做出行动(action)，从而获得最大回报(G or return)。通俗点说：学习系统没有像很多其它形式的机器学习方法一样被告知应该做出什么行为，必须在尝试了之后才能发现哪些行为会导致奖励的最大化，当前的行为可能不仅仅会影响即时奖励，还会影响下一步的奖
原创
2022-12-30 16:49:16
144阅读
