保護中: モデルフリー型の強化学習(1)- 価値反復法(モンテカルロ法、TD法、TD(λ)法)

コメント

1. オンライン学習とオンライン予測あるいは強化学習について | Deus Ex Machina より:

   2022年1月20日 5:01 AM

   […] モデルフリー型の強化学習(1)– 価値反復法(モンテカルロ法、TD法、TD(λ)法) […]

   返信
2. リグレットと確率的最適方策、ヒューリスティクスを用いた強化学習 | Deus Ex Machina より:

   2022年1月20日 5:07 AM

   […] 次回は環境が未知であり、環境とエージェントの相互作用などによって得られたデータから方策を学習するアプローチについて述べる。 […]

   返信
3. モデルフリー型強化学習への価値反復法(Q学習法、SARSA法) | Deus Ex Machina より:

   2022年1月21日 4:52 AM

   […] 前回までに履歴データからベルマン期待作用素Bπを近似して、価値関数を推定することをについて述べた。今回は主にベルマン最適作用素B*に基づく価値反復法を近似的に実行して、最適方策π*を学習することについて述べる。ただし、前述のように単純にB*を標本近似できないので、まずベルマン作用素と価値関数に行動空間を追加して、ベルマン行動作用素と行動価値関数を定義する。次にそれらを用いてベルマン行動作用素の標本近似を行い。さらにバッチ学習とオンライン学習としてQ学習法とSARSA法について述べる。 […]

   返信
4. 様々な強化学習技術の理論とアルゴリズムとpythonによる実装 | Deus Ex Machina より:

   2023年5月29日 4:40 AM

   […] モデルフリー型の強化学習(1)- 価値反復法(モンテカルロ法、TD法、TD(λ)法) […]

   返信
5. マルコフ決定過程(MDP)の概要とアルゴリズム及び実装例について | Deus Ex Machina より:

   2024年2月16日 5:16 AM

   […] る。価値反復法はベルマン最適化方程式を使用し、状態価値関数を収束させる。詳細は”モデルフリー型の強化学習(1)- 価値反復法(モンテカルロ法、TD法、TD(λ)法)“も参照のこと。 […]

   返信