بخشی از مقدمه:حیوانات، انسان ها، اتومات ها و .. از خود رفتار های مختلفی در محیطی که آن ها را احاطه کرده، در شرایط مختلف، از خود نشان می دهند. آن ها کارهای مختلفی را به عنوان باز خورد در جواب ورودی هایی که از محیط می گیرند انجام می دهند. بعضی از این عامل ها رفتار های خود را در طول زمان عوض می کنند. آن ها ممکن است با دادن ورودی های یکسان، عمل های متفاوتی نسبت به حرکت های قبلی خود انجام دهند. چنین عاملی یاد می گیرد. شاخه یادگیری ماشین به مطالعه الگوریتم های یادگیری که مشخص می کند تغییر در ورودی ها چگونه در رفتار عامل تغییر ایجاد می کند می پردازد. الگوریتم های یادگیری به 3 دسته تقسیم می شوند: ...
فهرست مطالب:معرفی یادگیری تقویتیبرنامه نویسی پویااجزا یک سیستم یادگیری تقویتی محیط
تابع پاداش
تابع مقدار
Q-Learning معرفی
الگوریتم یادگیری
مثالی از یک عامل
مثالی از برج هانوی
اثبات همگرایی
یادگیری Q برای MDP غیرقطعی
روش های مونت کارلو در یادگیری تقویتی ویژگیها
سیاست first visit MC
کنترل مونت کارلو
همگرایی مونت کارلو
on line policy و off linepolicy
منابع
برچسب ها:
Q Learning الگوریتم یادگیری مونت کارلو پروژه درس یادگیری ماشین پروژه یادگیری تقویتی یادگیری تقویتی پروژه الگوریتم یادگیری پروژه Q Learning برنامه نویسی پویا اجزا سیستم یادگیری تقویتی تابع پاداش