蒙特卡罗

027 实例6-圆周率的计算

目录一、"圆周率的计算"问题分析1.1蒙特卡罗方法二、"圆周率的计算"实例讲解2.1蒙特卡罗方法三、"圆周率的计算"举一反三3.1理解方法思维3.2程序运行时间分析3.3计算问题的扩展一、"圆周率的计算
咸鱼Chen·2019-07-14 17:00

《强化学习知识大讲坛》学习笔记

MDPhttps://zhuanlan.zhihu.com/p/25498081强化学习入门第二讲基于模型的动态规划方法https://zhuanlan.zhihu.com/p/25580624强化学习入门第三讲蒙特卡罗方法
duanyajun987·2019-07-03 14:46

深度强化学习：Deep Q-Learning

在前两篇文章强化学习基础：基本概念和动态规划和强化学习基础：蒙特卡罗和时序差分中介绍的强化学习的三种经典方法（动态规划、蒙特卡罗以及时序差分）适用于有限的状态集合$\mathcal{S}$，以时序差分中的
sunwq06·2019-07-01 22:00

强化学习基础：蒙特卡罗和时序差分

这篇文章承接文章强化学习基础：基本概念和动态规划，介绍另外两种解决强化学习问题的方法求解方法：MonteCarlo问题一（左图）：estimatethestate-valuefunction$v_{\pi}$correspondingtoapolicy$\pi$First-visitMCestimates$v_{\pi}(s)$astheaverageofthereturnsfollowingon
sunwq06·2019-06-27 20:00

强化学习实例9：时序差分法（Temporal Difference）

时序差分法（TemporalDifference，简称TD法），是一种结合了蒙特卡罗法和动态规划法的方法。
CopperDong·2019-06-21 15:47

项目07_社会财富分配问题模拟

‘‘‘--coding:utf-8--CreatedonFriOct1212:31:212018项目13社会财富分配问题（蒙特卡罗模拟）Note:1建立一个空的DataFrame时，只需要index参数
我是屁江·2019-06-17 12:03

系统学习深度学习（四十）--基于模拟的搜索与蒙特卡罗树搜索(MCTS)

转自：https://www.cnblogs.com/pinard/p/10470571.html1.基于模拟的搜索概述什么是基于模拟的搜索呢？当然主要是两个点：一个是模拟，一个是搜索。模拟我们在上一篇也讨论过，就是基于强化学习模型进行采样，得到样本数据。但是这是数据不是基于和环境交互获得的真实数据，所以是“模拟”。对于搜索，则是为了利用模拟的样本结果来帮我们计算到底应该采用什么样的动作，以实现我
Eason.wxd·2019-06-16 20:22

系统学习深度学习（三十）--Deep Q-Learning

转自：https://www.cnblogs.com/pinard/p/9714655.html1.为何需要价值函数的近似表示在之前讲到了强化学习求解方法，无论是动态规划DP，蒙特卡罗方法MC，还是时序差分
Eason.wxd·2019-06-15 22:20

数值概率算法和蒙特卡罗算法

设计伪随机数发生器并数值近似求解运用python编程，实现了一个伪随机数发生器[1]，并计算的近似值以及所给积分的近似值，具体结果如图1。横坐标表示随机投点数，上图纵坐标表示对应的真实值，下图纵坐标表示所需的时间。从图1（左）中分析得到，当随机投点数为pow(10,3)时，使用该伪随机数发生器计算的近似值已经比较接近圆周率pi的真实值，并且从时间消耗图来看，对应的时间消耗并不大；从图1（右）中分析
COST_97·2019-06-10 20:16

Java代码蒙特卡罗方法求盒子取球概率问题

蒙特卡罗方法求盒子取球概率问题题目Java代码实现输出题目三个盒子,分别装有白球、白球，白球、黑球，黑球、黑球。问:当取出一个球是黑色时，再取出另外一球也是黑色的概率。
唐力伟·2019-05-24 00:00

蒙特卡洛方法以及python实现

2.蒙特卡洛方法的基本思想3.应用：蒙特卡洛求定积分常见方法3.1投点法：3.2期望法：3.3蒙特卡洛求定积分4.蒙特卡洛方法python实例1.什么是蒙特卡洛方法(MonteCarlomethod)蒙特卡罗方法也称统计模拟方法
catkin_ws·2019-05-20 15:00

数学建模2

蒙特卡罗算法。该算法又称随机性模拟算法，也称统计实验方法。是通过计算机仿真来解决问题的算法，同时可以通过模拟来检验自己模型的正确性。数据拟合、参数估计、插值等数据处理算法。
筹码°·2019-05-15 23:09

周志华 强化学习 时序差分学习 公式推导

**爱学习的泠语啊本文主要推导16.4.2节时序差分学习情况下的状态-动作值函数，也是刚刚学习强化学习，有问题欢迎大家反馈吐槽啊（但求别喷我哈哈哈哈）~前面就是吧啦吧啦一顿介绍蒙特卡罗算法批量求平均的缺点
泠语·2019-05-02 10:40

MCMC 采样

蒙特卡罗方法原理是通过大量随机样本，去了解一个系统，进而得到所要计算的值。概率分布采样如何基于概率分布去采样基于这个概率分布的n个x的样本集？
dreampai·2019-04-18 17:29

matlab 在险价值 VaR 的计算

matlab在险价值VaR的计算matlab在险价值VaR的计算VaR模型数据获取历史模拟法蒙特卡罗模拟法参数模型法代码和数据下载VaR模型ValueatRisk在险价值，即VaR。
半美人·2019-04-17 12:26

强化学习经典算法笔记(六)：深度Q值网络 Deep Q Network

前期回顾强化学习经典算法笔记(零)：贝尔曼方程的推导强化学习经典算法笔记(一)：价值迭代算法ValueIteration强化学习经典算法笔记(二)：策略迭代算法PolicyIteration强化学习经典算法笔记(三)：蒙特卡罗方法
赛艇队长·2019-04-17 00:43

MCMC模拟初学

蒙特卡罗思想假设某个函数h(x)关于概率分布π(x)\pi(x)π(x)的期望EπE_\piEπ(h(x))=∫\int∫h(x)π\piπ(x)dx存在。
donmeo·2019-04-15 18:12

强化学习经典算法笔记(四)：时间差分算法Temporal Difference（Q-Learning算法）

强化学习经典算法笔记(零)：贝尔曼方程的推导强化学习经典算法笔记(一)：价值迭代算法ValueIteration强化学习经典算法笔记(二)：策略迭代算法PolicyIteration强化学习经典算法笔记(三)：蒙特卡罗方法
赛艇队长·2019-04-11 15:16

强化学习经典算法笔记(三)：蒙特卡罗方法Monte Calo Method

强化学习经典算法笔记——蒙特卡罗方法强化学习经典算法笔记(零)：贝尔曼方程的推导强化学习经典算法笔记(一)：价值迭代算法ValueIteration强化学习经典算法笔记(二)：策略迭代算法PolicyIteration
赛艇队长·2019-04-09 17:46

书籍:Python强化学习项目 Python Reinforcement Learning Projects - 2018.pdf

在本书中，您将了解RL的核心概念，包括Q学习，策略渐变，蒙特卡罗过程以及几种深度强化学习算法。当您完成本书时，您将使用各种模态的数据集（包括图像，文本和视频）处理项目。
python测试开发_AI命理·2019-04-02 11:27

强化学习(十九) AlphaGo Zero强化学习原理

在强化学习(十八)基于模拟的搜索与蒙特卡罗树搜索(MCTS)中，我们讨论了MCTS的原理和在棋类中的基本应用。
刘建平Pinard·2019-03-27 20:00

【RAY TRACING THE REST OF YOUR LIFE 超详解】 光线追踪 3-3 蒙特卡罗 (三)

开学人倍忙，趁着第二周周末，我们继续图形相关的博客Preface今天我们来介绍一些理论方面的东西，为MonteCarlo应用到我们的光线追踪器做铺垫我们今天会介绍两章的东西，因为有一章内容太过简单本篇目的原版内容见相册这个东西你点上去会有页数的，不要看混了ready看这一篇您需要具备以下知识1.了解重要性采样2.二重积分，基础微分3.（半）球坐标系4.光线追踪基本原理5.立体角（solidangl
林-兮·2019-03-09 15:00

强化学习(十八) 基于模拟的搜索与蒙特卡罗树搜索(MCTS)

在强化学习(十七)基于模型的强化学习与Dyna算法框架中，我们讨论基于模型的强化学习方法的基本思路，以及集合基于模型与不基于模型的强化学习框架Dyna。本文我们讨论另一种非常流行的集合基于模型与不基于模型的强化学习方法：基于模拟的搜索(SimulationBasedSearch)。本篇主要参考了UCL强化学习课程的第八讲，第九讲部分。1.基于模拟的搜索概述什么是基于模拟的搜索呢？当然主要是两个点：
刘建平Pinard·2019-03-04 17:00

Error: Could not find or load main class org.apache.spark.deploy.yarn.ApplicationMaster

今天搭建了一个sparkOnYarn的集群，我想测试一下集群是否正常，使用spark自带蒙特卡罗求圆周率的算法包，但是执行报错执行命令：bin/spark-submit\--classorg.apache.spark.examples.SparkPi
Alex_Sheng_Sea·2019-01-29 14:17

【RAY TRACING THE REST OF YOUR LIFE 超详解】 光线追踪 3-2 蒙特卡罗(二) 重要性采样

书本内容：见相册preface还记的我们上一篇说的MonteCarlo维度诅咒吗上一篇算是二维的例子吧，大家看了之后是否想着写一个一维的MonteCarlo模拟积分？（我想了，没写出来）为什么要整这个嘞光照渲染中多处涉及重积分，最终结果是要求取一个近似值，因而需要对其值进行数值估计，MonteCarlo方法就是一个较为理想的方案。其实我们的光线追踪器不仅用了很多向量运算，还用了很多数值分析的知识，
林-兮·2019-01-29 10:00

【RAY TRACING THE REST OF YOUR LIFE 超详解】 光线追踪 3-1 蒙特卡罗 (一)

今天起，我们就开始学习第三本书了这本书主要讲的是蒙特卡罗渲染，以及相关的数学、术语概念等这本书相较于前面两本有着什么不同，承担着什么样的任务，尚涉书未深，姑妄言之：第一本书，带领我们初探光线追踪技术，感受一下第二本书
林-兮·2019-01-27 19:00

数据分析找工作的知识深度

3、第三阶段（数据分析师）统计学熟练（回归、假设检验、时间序列、简单蒙特卡罗），可视化，PPT和excel一
YHFHing·2019-01-16 20:22

强化学习(十四) Actor-Critic

在强化学习(十三)策略梯度(PolicyGradient)中，我们讲到了基于策略(PolicyBased)的强化学习方法的基本思路，并讨论了蒙特卡罗策略梯度reinforce算法。
刘建平Pinard·2019-01-15 17:00

蒙特卡罗方法(python实现)

蒙特卡罗方法是一种统计模拟方法，由冯·诺依曼和乌拉姆提出，在大量的随机数下，根据概率估计结果，随机数据越多，获得的结果越精确。下面我们将用python实现蒙特卡罗方法。
yhlp·2019-01-13 00:00

蒙特卡罗方法（Monte Carlo method）

GitHub地址：戳我看源码>>>>蒙特卡罗方法概述蒙特卡罗方法又称统计模拟法、随机抽样技术，是一种随机模拟方法用事件发生的“频率”来决定事件的“概率”。
阿昕_·2019-01-11 14:20

逆采样(Inverse Sampling)和拒绝采样(Reject Sampling)原理详解

在蒙特卡罗方法中，有一个关键的问题需要解决，即如何基于概率密度函数去采的nnn个xxx的样本集。
anshuai_aw1·2018-12-05 18:20

VaR - 风险价值 - 蒙特卡罗法 - Python

现在我们使用蒙特卡罗模拟法进行风险价值的估算。简单来说，蒙特卡罗模拟法即运用历史数据对未来进行多次模拟，以求得未来股价结果的概率分布。
PhoenixFlyAway·2018-11-15 00:06

“远”见——蒙特卡罗芭蕾舞团＜浮士德＞观演启发：

最近远爷观看了摩纳哥皇家蒙特卡洛芭蕾舞团（LesBalletsdeMonte-Carlo)的代表作——舞剧《浮士德》。观演之后思绪万千，深受启发，谨在此写一些个人感想，与诸君分享。首先远爷要对该舞剧进行简单的介绍。舞剧《浮士德》由编舞家让-克里斯托弗-马约为蒙特卡洛芭蕾舞团量身定制。曾在德国威斯巴登剧院导演古诺歌剧《浮士德》的经历，促使马约创作了舞剧《浮士德》。他舞剧的配乐选用了李斯特的《浮士德交
远爷乐道道·2018-11-14 17:32

用Python实现马尔可夫链蒙特卡罗

摘要：本文通过用Python中的马尔可夫链蒙特卡罗实现了睡眠模型项目，并教会如何使用MCMC。在过去的几个月里，我在数据科学领域里遇到一个术语：马尔可夫链蒙特卡罗（MCMC）。
阿里云云栖社区·2018-11-12 16:24

用Python实现马尔可夫链蒙特卡罗

摘要：本文通过用Python中的马尔可夫链蒙特卡罗实现了睡眠模型项目，并教会如何使用MCMC。在过去的几个月里，我在数据科学领域里遇到一个术语：马尔可夫链蒙特卡罗（MCMC）。
阿里云云栖社区·2018-11-12 00:00

VR有五种全局光照渲染引擎和各自的优缺点

来自:喜欢(有些日子总是令人无法淡忘)2008-10-2015:53:26VR有五种全局光照渲染引擎:Irradiancemap(发光帖图)Photonmap(光子帖图)QMC(准蒙特卡罗)Lightcache
Antiflag·2018-11-10 14:16

548页MIT强化学习教程，收藏备用【PDF下载】

第二部分提供了基本的解决方案：动态规划，蒙特卡罗方法和时差学习。第三部分提出了解决方法的统一视图，并结合了人工神经网络，资格跟踪和规划。最后两章介绍了案例研究，并考虑了强化学习的未来。
机器学习算法与Python学习-公众号·2018-10-11 11:00

强化学习（八）价值函数的近似表示与Deep Q-Learning

1.为何需要价值函数的近似表示在之前讲到了强化学习求解方法，无论是动态规划DP，蒙特卡罗方法MC，还是时序差分TD，使用的状态都是
刘建平Pinard·2018-09-28 16:00

小白都能看懂的蒙特卡洛方法以及python实现

1.什么是蒙特卡洛方法(MonteCarlomethod)蒙特卡罗方法也称统计模拟方法，是1940年代中期由于科学技术的发展和电子计算机的发明，而提出的一种以概率统计理论为指导的数值计算方法。
bitcarmanlee·2018-09-15 18:47

强化学习系列（十二）：Eligibility Traces

EligibilityTraces可以用于泛化TD和MC（蒙特卡罗）方法。当用eligibilitytraces增强TD后，会
LagrangeSK·2018-09-12 17:41

从拉斯维加斯到蒙特卡洛：机器学习系统中的随机算法

拉斯维加斯方法蒙特卡罗和拉斯维加斯技术的主要区别在于输出的准确性。拉斯维加斯方
发不出VB·2018-09-09 12:37

用python计算圆周率

100forkinrange(N):pi+=1/pow(16,k)*(4/(8*k+1)-2/(8*k+4)-1/(8*k+5)-1/(8*k+6))print("圆周率值是:{}".format(pi))CalPiV2.py蒙特卡罗法
JessiFan·2018-09-02 16:17

蒙特卡洛随机模拟的MATLAB实例解析纪录

蒙特卡罗(MonteCarlo)方法，也称为计算机随机模拟方法，是一种基于"随机数"的计算方法。假设我们有个y=x^2的表达式，如何用MC方法求得函数在[0,1]区间的定积分呢？
Dawn_Burning·2018-08-28 09:02

强化学习（五）用时序差分法（TD）求解

在强化学习（四）用蒙特卡罗法（MC）求解中，我们讲到了使用蒙特卡罗法来求解强化学习问题的方法，虽然蒙特卡罗法很灵活，不需要环境的状态转化概率模型，但是它需要所有的采样序列都是经历完整的状态序列。
刘建平Pinard·2018-08-24 18:00

强化学习（四）用蒙特卡罗法（MC）求解

本文要讨论的蒙特卡罗(Monte-Calo,MC)就是一种可
刘建平Pinard·2018-08-17 18:00

强化学习系列（八）：Planning and learning with Tabular Methods（规划和离散学习方法）

最后针对环境模型未知(modelfree)的MDP，介绍了基于学习的强化学习方法——蒙特卡罗（MC）、时间差分（TD）等。前七章重点讨论了这两类方法的区别，但这两类方法也有以下共同点：方法的核心
LagrangeSK·2018-08-15 14:34

python编程导论_第十一课

www.xuetangx.com/courses/MITx/6_00_2x/2014_T2/courseware/d39541ec36564a88af34d319a2f16bd7/）2.辅助内容：教材第16、18和20章蒙特卡罗模拟帕斯卡的问题即
fourup·2018-08-14 06:17

python编程导论_第十一课

www.xuetangx.com/courses/MITx/6_00_2x/2014_T2/courseware/d39541ec36564a88af34d319a2f16bd7/）2.辅助内容：教材第16、18和20章蒙特卡罗模拟帕斯卡的问题即
fourup·2018-08-14 06:17

强化学习系列（七）：n-step Bootstrapping (步步为营）

一、前言在强化学习系列（五）：蒙特卡罗方法（MonteCarlo)和强化学习系列（六）：时间差分算法（Temporal-DifferenceLearning)中，我们介绍了两种用于求解环境模型未知的MDP
LagrangeSK·2018-08-02 13:22

强化学习系列（六）：时间差分算法（Temporal-Difference Learning)

一、前言在强化学习系列（五）：蒙特卡罗方法（MonteCarlo)中，我们提到了求解环境模型未知MDP的方法——MonteCarlo，但该方法是每个episode更新一次（episode-by-episode
LagrangeSK·2018-07-28 13:15
上一页 11 12 13 14 15 16 17 18 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他