MDP

Lecture 5: Model-Free Control

一、Introduction（一）Model-FreeReinforcementLearningLastlecture:Model-freeprediction估计一个未知MDP的价值函数Thislecture
六回彬·2019-12-18 15:06

RL概念笔记(持续更新)

PARTI第一部分的一些概念主要翻译自这里MarkovDecisionProcess(MDP)DiscountedFutureRewardQ-learningDeepQNetworkExperienceReplayExploration-ExploitationDeepQ-lea
Slyne_D·2019-12-15 01:45

#David Silver Reinforcement Learning # 笔记4 MC-TD

从一个未知的MDP中估计出值函数。1.Monte-CarloReinforcementLearning蒙特卡洛方法直接从环境中选择一条路，然后走到重点才结束，最后用平均的returnG值來更新值函数。
feiyu87·2019-12-14 21:31

MySQL-备份恢复及迁移

锁表备份、只读备份，阻塞所有的变更操作，只能读1.3热备（hotbackup）不锁表备份，只能针对具备事务型引擎的表（例如：innoDB），业务的影响最小.2、备份工具介绍2.1mysqldump简称MDP
文娟_狼剩·2019-12-12 23:11

python机器学习四(强化学习)

马尔可夫决策过程(MDP)马尔可夫决策过程（MarkovDecisionProcess）通常用来描述
不做大哥好多年·2019-11-06 22:45

消息队列入门(三)：JMS与Spring进行联谊

对于类似于JavaEE的消息驱动bean样式的异步接收，Spring提供了许多用于创建消息驱动的POJO（MDP）的消息侦听容器。Spring还提供了一种创建消息侦听器的声明式方法。使用J
我吃草莓·2019-11-06 13:27

强化学习系列(一)--马尔科夫决策过程

1.马尔科夫决策过程要说强化学习，就必须说说马尔科夫决策过程(MarkovDecisionProcesses,MDP)。马尔可夫决策过程是基于马尔可夫过程理论的随机动态系统的决策过程，其
城市中迷途小书童·2019-11-06 08:23

AI学习笔记——求解最优MDP

上一篇文章介绍了MDP的基本概念，但是我们更关心的是如何寻找到最佳的路径解决MDP问题。
Hongtao洪滔·2019-11-05 06:02

AI学习笔记——强化学习之动态规划(Dynamic Programming)解决MDP(1)

我们介绍过MDP(MarkovDecisionProcesses马可夫决策过程)以及什么是最优MDP，甚至从强化学习的角度介绍了DQN，Q-learning,Sarsa等求解最优MDP方法，但是要深入理解强化学习
Hongtao洪滔·2019-11-03 21:39

强化学习实战——动态规划(DP)求最优MDP

topviewofgroundduringdaytimeimagesourcefromunsplashbyStijinteStrake之前的文章介绍了用动态规划(DP:DynamicProgramming)求解最优MDP
Hongtao洪滔·2019-11-02 09:55

增强学习（三）----- MDP的动态规划解法

增强学习（三）-----MDP的动态规划解法上一篇我们已经说到了，增强学习的目的就是求解马尔可夫决策过程(MDP)的最优策略，使其在任意初始状态下，都能获得最大的Vπ值。
dierica·2019-10-31 22:16

强化学习State和Observation的区别

在MDP中，当前状态State（Markovstate）包含了所有历史信息，即将来只和现在有关，与过去无关，因为现在状态包含了所有历史信息。
lxlong89940101·2019-10-11 20:44

【强化学习】阶段总结

马尔可夫决策过程MDP基于模型的动态规划方法（Model-Based，DP）策略搜索策略迭代值迭代无模型的强化学习方法（Model-Free）蒙特卡洛方法（MC）：效率不高，但是能够展现model-free
虔诚的树·2019-10-08 23:00

强化学习(三）：马尔可夫决策过程MDP【下篇】

目录马尔可夫决策过程MDP：aMarkovrewardprocesswithdecisions策略值函数Bellman期望公式Bellman期望公式的矩阵形式最优值函数OptimalValueFunction
wamg潇潇·2019-09-28 19:33

机器学习与深度学习系列连载： 第三部分 强化学习（九) 探索与利用

探索与利用本篇系统的介绍了在强化学习领域如何有效的进行探索，给出了几类探索算法，通过引入后悔值，借助多臂赌博机这一与状态无关的示例从理论上论述了相关算法的有效性，随后很简单地介绍了将其扩展至与状态相关学习问题和这些算法如何具体应用于解决MDP
人工智能插班生·2019-09-26 18:56

Spring Boot引起的“堆外内存泄漏”排查及经验总结

背景为了更好地实现对项目的管理，我们将组内一个项目迁移到MDP框架（基于SpringBoot），随后我们就发现系统会频繁报出Swap区域使用量过高的异常。
方子龙·2019-06-21 16:00

MDP ？

上一篇我们介绍了产品规划，这一篇我们介绍一下产品的第一个版本。产品的第一个版本要怎么做呢？我一直比较认可一个观点，产品经理更像是家庭主妇而不是五星级厨师。五星级厨师是根据完美搭配的食材做出美味可口的食物，而家庭主妇是根据冰箱里现有的食材做出美妙的食物。因为产品资源和上线时间的限制，很多时候产品经理都是在倒推每个功能或每个版本的时间点。简单点说，上线时间是确定的，团队成员是固定的，唯一不确定的是产品
Q_misky·2019-06-19 09:36

MDP ？

上一篇我们介绍了产品规划，这一篇我们介绍一下产品的第一个版本。产品的第一个版本要怎么做呢？我一直比较认可一个观点，产品经理更像是家庭主妇而不是五星级厨师。五星级厨师是根据完美搭配的食材做出美味可口的食物，而家庭主妇是根据冰箱里现有的食材做出美妙的食物。因为产品资源和上线时间的限制，很多时候产品经理都是在倒推每个功能或每个版本的时间点。简单点说，上线时间是确定的，团队成员是固定的，唯一不确定的是产品
Q_misky·2019-06-19 09:36

强化学习实例4：构建新环境

机器人找金币grid_mdp.pyimportloggingimportnumpyimportrandomfromgymimportspacesimportgymfromgym.utilsimportseedinglogger
CopperDong·2019-06-18 15:19

Jzoj P4628 立方体___动态规划+spfa

题目大意：分析：预处理出每个面的相对面，以及四个方向走的时候面的位置的变化情况设dpi,j,k,l,mdp_{i,j,k,l,m}dpi,j,k,l,m表示到了位置(i,j)(i,j)(i,j)，上面是
disPlayLzy_·2019-06-16 12:07

无人驾驶的规划与控制（二）——行为决策规划

文章目录1无人驾驶行为决策需要哪些信息2有限状态马尔科夫决策过程2.1马尔科夫决策定义2.2寻找最优策略2.3使用MDP的困难3基于场景划分设计行为决策3.1分治的核心思想3.2综合决策3.3个体决策3.4
cliukai·2019-06-04 15:48

CS 188 Project3(RL) Q1: Value Iteration

ValueIterationAgent在构造时接受MDP，并在构造函数返回之前为指定的迭代次数运行值迭代。值迭代
段智华·2019-05-24 09:49

强化学习实战——MC(蒙特卡洛)玩21点扑克游戏

通过理论和实战，我们知道，在已知的MDP环境下，可以用动态规划(DP)的方法来获得最佳策略，指导智能体(Agent)行动。
Hongtao洪滔·2019-04-26 20:49

Markov 决策过程

英文全称为MarkovDecisonProcesses，简称MDP.为了便于描述，首先定义一个“世界”，如下："世界"从起点开始，每次选择往四个方向走一格子。
0晨鹤0·2019-04-18 22:43

Markov 决策过程

英文全称为MarkovDecisonProcesses，简称MDP.为了便于描述，首先定义一个“世界”，如下："世界"从起点开始，每次选择往四个方向走一格子。
0晨鹤0·2019-04-18 22:43

MLb-016 59《机器学习》周志华 第十六章：强化学习

第十六章强化学习此系列文章旨在提炼周志华《机器学习》的核心要点，不断完善中…16.1任务与奖赏通常使用马尔可夫决策过程(MDP)描述目的：找到能长期积累奖赏最大化策略长期奖赏方式T步积累奖赏：E[1T∑
ZIYUE WU·2019-04-07 20:26

CS 188 Project3(RL) Q4: Asynchronous Value Iteration

AsynchronicValueIterationAgent构造MDP，并在构造函数返回之前为指定的迭代次数运行循环值
段智华·2019-03-22 10:42

深度强化学习研究笔记（1）——入门（马尔科夫决策过程，贝尔曼方程，价值迭代和策略迭代）

文章目录1.强化学习（Reinforcementlearning）概述2.贝尔曼（Bellman）方程3.MDP（Markovdecisionprocess）问题建模4.基于价值迭代（Valueiteration
越野者·2019-03-15 10:00

Actor-Cric推荐算法

本文中将考虑在用户交互中不断地改进策略，我们将构建用户与推荐系统的序列交互过程作为MDP并利用强化学习通过推荐试验错误的物品学习最优策略，并接收这些来自用户反馈的物品。
ZJKL_Silence·2019-02-22 16:10

《强化学习》第四讲：不基于模型的预测

简介Introduction通过先前的讲解，我们明白了如何从理论上解决一个已知的MDP：通过动态规划来评估一个给定的策略，并且得到最优价值函数，根据最优价值函数来确定最优策略；也可以直接进行不基于任何策略的状态价值迭代得到最优价值函数和最优策略
count_on_me·2019-01-23 10:32

《强化学习》第二讲 马尔科夫决策过程

在强化学习中，马尔科夫决策过程（Markovdecisionprocess,MDP）是对完全可观测的环境进行描述的，也就是说观测到的状态内容完整地决定了决策的需要的特征。
count_on_me·2019-01-23 10:56

Spring Boot引起的“堆外内存泄漏”排查及经验总结

原文：https://juejin.im/post/5c2ef77ae51d4551de1d769b背景为了更好地实现对项目的管理，我们将组内一个项目迁移到MDP框架（基于SpringBoot），随后我们就发现系统会频繁报出
还不够·2019-01-18 16:33

Spring Boot引起的“堆外内存泄漏”排查及经验总结

背景为了更好地实现对项目的管理，我们将组内一个项目迁移到MDP框架（基于SpringBoot），随后我们就发现系统会频繁报出Swap区域使用量过高的异常。
美团点评技术团队·2019-01-04 04:00

Spring Boot引起的“堆外内存泄漏”排查及经验总结

背景为了更好地实现对项目的管理，我们将组内一个项目迁移到MDP框架（基于SpringBoot），随后我们就发现系统会频繁报出Swap区域使用量过高的异常。
美团技术团队·2019-01-04 00:00

NC65单据节点开发

PDF文件下载：https://download.csdn.net/download/d_c_hao/10841605单表单据节点新建UAP模块项目，模块名设置为testdemo在项目下新家UAP组件打开MDP
渡安H·2018-12-11 16:40

NC65主子VO实体

建立UAP业务组件项目（模块名），新建UAP组件（组件名）切换MDP透视图，新建实体组件（实体组件名）主表实体：实体的7个必须字段：pk_id、pk_group、pk_org、creatot、creationtime
渡安H·2018-12-11 14:03

人工智能 （8）Markov Decision Process

人工智能(8)MarkovDecisionProcess微信公众号：机器树MDP简介来一起学习MarkovDecisionProcess(MDP)之前，回顾一下之前提到的搜索问题，包含五个重点要素：初始状态
机器树·2018-12-08 15:57

机器学习与深度学习系列连载： 第三部分 强化学习（八) 整合学习与规划 (Alpha Go 基本原理)

整合学习与规划本篇之前所有的内容都没有提及到个体如何构建一个模拟环境的模型，自然也没有讲解个体构建一个模拟环境的模型对于解决MDP问题有何帮助。本篇即关注这两个问题。
人工智能插班生·2018-12-02 08:40

机器学习与深度学习系列连载： 第三部分 强化学习（四) 不基于模型的预测（蒙特卡洛方法MC、时序差分TD）

不基于模型的预测1.简介Introduction通过先前的博客，我们明白了如何从理论上解决一个已知的MDP：通过动态规划来评估一个给定的策略，并且得到最优价值函数，根据最优价值函数来确定最优策略；直接进行不基于任何策略的状态价值迭代得到最优价值函数和最优策略
人工智能插班生·2018-11-27 06:07

机器学习与深度学习系列连载： 第三部分 强化学习（二) 马尔科夫决策过程 MDP

马尔科夫决策过程MDP在强化学习中，马尔科夫决策过程（Markovdecisionprocess,MDP）是对完全可观测的环境进行描述的，也就是说观测到的状态内容完整地决定了决策的需要的特征。
人工智能插班生·2018-11-24 22:29

David Silver强化学习公开课（四）：不基于模型的预测

简介Introduction通过先前的讲解，我们明白了如何从理论上解决一个已知的MDP：通过动态规划来评估一个给定的策略，并且得到最优价值函数，根据最优价值函数来确定最优策略；也可以直接进行不基于任何策略的状态价值迭代得到最优价值函数和最优策略
xl.zhang·2018-11-13 16:18

理解增强学习的评估

导语在前面机器学习方法篇系列中，小斗给大家简单介绍了什么是增强学习，以及增强学习最基础的几个算法概念（MDP、DP、MC、TD）。基本上，策略函数的优劣决定了整个模型的好坏。
对半独白·2018-11-11 18:38

线性二次型调节控制

线性二次型调节控制现在我们讨论一个用于连续状态MDP的一个寻找最优策略的一个方法。该方法中我们直接近似V∗，而不采用离散化。该方法称之为值函数近似，在很多实际RL问题都有很好的应用。
kexinxin1·2018-11-04 16:00

小球与盒子23事

1.球同，盒不同，无空箱C(n-1,m-1),n>=m0,n=0dp[k][0]=0,k>=10,n=mdp[n][m]=dp[n][m-1],n=m0,n<m因为要求无空箱，我们先在每个箱子里面放
Go!Adela·2018-10-27 11:00

AI学习笔记——强化学习之Model-Free Prediction--解决未知环境下的预测问题

前面关于强化学习的文章中介绍了MDP，动态规划的方法对MDP问题的V函数进行评估和求最优策略。然而现实问题中，往往很多时候环境是未知的。
weixin_33928467·2018-10-17 23:00

读书笔记 - Multi-agent Reinforcement Learning for Traffic Signal Control

Multi-agentReinforcementLearningforTrafficSignalControl》在本文中，我们将trafficsignalcontrol(TSC)问题制定为折扣成本马尔可夫决策过程（MDP
EmilyGnn·2018-10-12 16:02

Policy Gradient 和 Value based 方法的区别

[ValueBased方法](1)Valuebased的方法的背景知识对于MDP,S,A,P,R,r来说，首先是定义了valuefunction,V(s)和Q(s,a),在有了valuefunction
hnshahao·2018-10-08 16:41

马尔科夫决策过程解法(Solution to MDP)

1.马尔科夫决策过程马尔科夫决策过程(MarkovDecisionProcess)是一个由4个元素组成的元祖组成。为状态;为动作;为概率转移，指定;R为奖励函数，指定；也可以指定为。马尔科夫决策过程很容易定义状态函数为折扣奖励的累计期望，折扣比例。从后向传播的观点——当前的价值函数为及时奖励和未来奖励的期望之和，有：写成矩阵的形式，求解即为求解线性方程组：最优的价值函数，满足：2.价值迭代算法价值
海街diary·2018-09-21 16:30

AutoSize 今日头条屏幕适配方案

AndroidAutoSize大概的实现原理：px=dp*density当前设备屏幕总宽度（单位为像素）/设计图总宽度（单位为dp)=densitymPx:当前设备屏幕总宽度（变化）mDp:设计图总宽度
MoLiLian_123·2018-09-03 10:34

深度强化学习（文献篇）—— 从 DQN、DDPG、NAF 到 A3C

自己第一篇paper就是用MDP解决资源优化问题，想来那时写个东西真是艰难啊。彼时倒没想到这个数学工具，如今会这么火，还衍生了新的领域——强化学习。当然现在研究的内容已有了很大拓展。
TangowL·2018-09-02 18:55
上一页 6 7 8 9 10 11 12 13 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他