【強化學習】??手把手帶你走進強化學習 1?? 強化學習簡介
- 概述
- 機器學習的分類
- 為什么要學強化學習
- 強化學習的組成
概述
從今天開始我們會開啟一個新的篇章, 帶領大家來一起學習 (卷進) 強化學習 (Reinforcement Learning). 強化學習基于環境, 分析資料采取行動, 從而最大化未來收益.
機器學習的分類
- 監督學習: 通過給定的標簽和資料進行學習
- 非監督學習: 沒有標簽, 沒有明確目的學習方式
- 強化學習: 沒有標簽, 但是有獎勵信號, 介于監督和非監督之間
為什么要學強化學習
首先, 在小白我看來, 強化學習是最接近我們人類的學習程序. 例如: 當我們在爬山的時候多次摔的頭破血流, 幾次以后我們就會吸取經驗, 在以后爬山的時候就會記得穿鞋, 而不是光著腳.
其次, 強化學習在很多領域都有應用. 我們熟知的 AlphaGo 就是利用深度強化學習, 用短短三天的訓練, 領悟了人類遠超數千年累計的圍棋知識. 強化學習還在游戲, 無人駕駛, 機器控制等多個領域有大范圍的運用.
強化學習的組成
- 智能體 (Agent): 可以感知環境的狀態, 并根據反饋的獎勵學習選擇一個合適的動作, 來最大化長期總收益
- 策略 (Policy): 定義了智能體的行為, 是從狀態到行為的一個映射
- 值函式 (Value Function): 是對未來獎勵的預測, 用來評價當前狀態的好壞程度
- 模型 (Model): 用于預測環境變化, 有利于智能體決定下一步的行動
- 環境 (Environment): 環境會接受智能體執行的一系列動作, 對這一些類動作進行評價并轉換為一種可量化的信號反饋給智能體
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/302431.html
標籤：AI