«reinforcement-learning» etiketlenmiş sorular

Modelsiz ve model tabanlı pekiştirici öğrenme arasındaki fark nedir? Bana öyle geliyor ki, deneme-yanılma yoluyla öğrenen herhangi bir model içermeyen öğrenen, model tabanlı olarak yeniden değerlendirilebilir. Bu durumda, mankensiz öğrenciler ne zaman uygun olur?

28 reinforcement-learning  comparison  model-based  model-free 

Anladığım kadarıyla, Q-öğrenme ve politika gradyanları (PG), RL problemlerini çözmek için kullanılan iki ana yaklaşımdır. Q-learning, belirli bir durumda yapılan belirli bir eylemin ödülünü tahmin etmeyi amaçlarken, politika gradyanları doğrudan eylemin kendisini tahmin eder. Bununla birlikte, her iki yaklaşım da benim için aynı görünmektedir, yani bir eylem için maksimum ödülü …

21 reinforcement-learning  q-learning  policy-gradients  comparison 

Arka arkaya beş / gomoku oynayabilen bir yapay zeka yaratmak istiyorum. Başlıkta bahsettiğim gibi, bunun için pekiştirici öğrenmeyi kullanmak istiyorum. Kullandığım ilke gradyan başlangıç ile, yani takviye yöntemi. Değer ve politika işlevi yaklaşımı için bir sinir ağı kullanıyorum . Evrişimli ve tamamen bağlı katmanlara sahiptir. Çıktı hariç tüm katmanlar paylaşılır. …

20 machine-learning  reinforcement-learning  game-ai  combinatorial-games 

Takviye öğrenimini ve bunun çeşitlerini inceliyorum. Algoritmaların nasıl çalıştığını ve bir MDP'ye nasıl uygulandıklarını anlamaya başlıyorum. Anlamadığım şey, MDP'nin durumlarını tanımlama sürecidir. Çoğu örnek ve öğreticide, bir ızgara veya benzeri bir kare gibi basit bir şeyi temsil ederler. Yürümeyi öğrenen bir robot gibi daha karmaşık sorunlar için, bu durumları tanımlamaya …

14 reinforcement-learning 

Örneğin, bu makalenin başlığı şu şekildedir: "Deneyim Tekrarlamalı Örnek Etkin Aktör-Eleştirmen". Numune verimliliği nedir ve bunu başarmak için önem örneklemesi nasıl kullanılabilir?

14 reinforcement-learning  statistical-ai  importance-sampling 

Oyunlar dışındaki uygulamalarda pekiştirici öğrenmeyi öğretmenin bir yolu var mı? İnternette bulabileceğim tek örnek oyun ajanları. VNC'lerin oyunlara girişi takviye ağı üzerinden kontrol ettiğini anlıyorum. Bunu bir CAD yazılımı ile ayarlamak mümkün mü?

13 reinforcement-learning  applications 

Tensorflow'un üzerine inşa edilmiş çok iyi Tensorforce kütüphanesi sayesinde bir PPO ajanıyla takviye öğrenme modelini kodluyorum. İlk sürüm çok basitti ve şimdi her adımda tüm eylemlerin mevcut olmadığı daha karmaşık bir ortama daldım. Diyelim ki 5 eylem var ve bunların kullanılabilirliği bir iç duruma (önceki eylem ve / veya yeni …

13 deep-learning  reinforcement-learning 

Takviye öğrenmeye bakıyordum ve özellikle OpenAI Gym AI ile kullanmak için kendi ortamlarımı yaratarak oynuyorum. Onunla test etmek için stable_baselines projesinden ajanlar kullanıyorum. Neredeyse tüm RL örneklerinde fark ettiğim bir şey, hiçbir ağda hiçbir zaman bırakma katmanı olmadığıdır. Bu neden? Döviz fiyatlarını simüle eden bir ortam ve DQN'yi kullanarak ne …

13 machine-learning  reinforcement-learning  overfitting  dropout 

OpenAIGym'deki Lunar Lander gibi sorunlara çözüm tasarlarken , Takviye Öğrenme, acenteye başarılı bir şekilde inmek için yeterli eylem kontrolü sağlamanın cazip bir yoludur. Ancak, PID kontrolörleri gibi kontrol sistemi algoritmalarının Takviye Öğrenme'den daha iyi olmasa da yeterli bir iş yapacağı durumlar nelerdir? Gibi sorular bu bir bu soruya teorisini ele …

12 reinforcement-learning  ai-design  control-theory 

Ben geçiyordu bu DQN uygulanması ve ben on line 124 ve 125 iki farklı Q ağları başlatıldı görüyoruz. Anladığım kadarıyla, bir ağın uygun eylemi ve ikinci ağın Bellman hatasını bulmak için hedef Q değerlerini tahmin ettiğini düşünüyorum. Neden sadece Q değerini tahmin eden ve bunu her iki durumda da kullanan …

12 reinforcement-learning  q-learning  dqn 

Tablolu Q-öğrenme algoritmasının en uygun olanı bulması garanti edilir QQQ fonksiyonu, Q∗Q∗Q^*, öğrenme oranı ile ilgili aşağıdaki koşulların ( Robbins-Monro koşulları ) sağlanması şartıyla, ∑tαt(s,a)=∞∑tαt(s,a)=∞\sum_{t} \alpha_t(s, a) = \infty ∑tα2t(s,a)&lt;∞∑tαt2(s,a)&lt;∞\sum_{t} \alpha_t^2(s, a) < \infty nerede αt(s,a)αt(s,a)\alpha_t(s, a) güncellenirken kullanılan öğrenme oranı QQQ durumla ilişkili değer sss ve aksiyon aaa zaman …

12 reinforcement-learning  q-learning  deep-rl  proofs  function-approximation 

Takviye Öğrenme: Richard S. Sutton ve Andrew G. Barto'nun Bir Giriş (tam taslak, 5 Kasım 2017) adlı kitabını okuyordum . 271 Sayfasında, epizodik Monte-Carlo Politika-Gradyan Yöntemi için sözde kod sunulmaktadır. Bu sahte kod bakarak ben neden indirim oranı 2 kez, bir kez güncelleme durumunda ve dönüş içinde ikinci kez göründüğünü …

11 reinforcement-learning  algorithm  rl-an-introduction  reinforce 

Makine öğrenimi üzerinde çalışmak isteyen bir öğrenci olarak, eğitimime nasıl başlanabileceğimi ve güncel kalmak için nasıl takip edileceğini bilmek istiyorum. Örneğin, RL ve MAB problemleri üzerinde çalışmaya hazırım, ancak bu konularda büyük literatürler var. Ayrıca, bu konular AI ve ML, Yöneylem Araştırması, Kontrol Mühendisliği, İstatistik vb. Gibi farklı topluluklardan araştırmacılar …

11 machine-learning  reinforcement-learning  research  markov-decision-process 

Güvenilen Bölge Politika Optimizasyonu (TRPO) ve Proksimal Politika Optimizasyonu (PPO), en son iki politika gradyan algoritmasıdır. Tek bir sürekli eylem kullanırken, normalde, kayıp işlevi için bazı olasılık dağılımını (örneğin, Gauss) kullanırsınız. Kaba sürüm: L ( θ ) = günlük( P(bir1) ) A ,L(θ)=log⁡(P(a1))A,L(\theta) = \log(P(a_1)) A, nerede birAA ödüllerin avantajı, …

11 deep-learning  reinforcement-learning  trpo 

Eğer çevre de stokastik ise, optimal politika her zaman stokastik midir (yani, eyaletlerden eylemler üzerinde olasılık dağılımına bir harita)? Sezgisel olarak, eğer ortam belirleyici ise (yani, etmen bir durumda ise)sss ve harekete geçiyor aaa, sonra bir sonraki eyalet s′s′s' hangi zaman adımı olursa olsun her zaman aynıdır), o zaman optimal …

10 reinforcement-learning  stochastic-policy  deterministic-policy  policy  environment