python マルコフ決定過程（MDP）と強化学習を統合したアルゴリズムと実装例
マルコフ決定過程（MDP）と強化学習を統合したアルゴリズム
"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"で述べているマルコフ決定過程（MDP）と"強化学習技術の概要と各種実装について"で述べ...
強化学習
python python Deep Deterministic Policy Gradient (DDPG)の概要とアルゴリズム及び実装例について
Deep Deterministic Policy Gradient (DDPG)の概要
Deep Deterministic Policy Gradient (DDPG) は、連続状態空間と連続行動空間を持つ強化...
アルゴリズム:Algorithms ReAct(Reasoning and Acting)の概要とその実装例について
ReAct(Reasoning and Acting)の概要
ReActは"プロンプトエンジニアリングの概要とその利用について"で述べているプロンプトエンジニアリングの手法の一つであり、"LangChainにおけるA...
Large-Scaleデータ 大規模言語モデルのファインチューニングとRLHF(Reinforcement Learning from Human Feedback)
イントロダクション
大規模言語モデルのファインチューニングとは、事前に大規模なデータセットで訓練されたモデルに対して、追加の学習を行うもので、汎用性の高いモデルを特定のタスクやドメインに適用することを可能にし、精度や...
python A3C (Asynchronous Advantage Actor-Critic)の概要とアルゴリズム及び実装例について
A3C (Asynchronous Advantage Actor-Critic)の概要
A3C（Asynchronous Advantage Actor-Critic）は、深層強化学習のアルゴリズムの一種で、非同...
python Proximal Policy Optimization (PPO)の概要とアルゴリズム及び実装例について
Proximal Policy Optimization (PPO)の概要
Proximal Policy Optimization（PPO）は、強化学習のアルゴリズムの一種であり、ポリシー最適化法の一つであり、ポ...
python Soft Actor-Critic (SAC) の概要とアルゴリズム及び実装例
Soft Actor-Critic (SAC) の概要
Soft Actor-Critic（SAC）は、強化学習（Reinforcement Learning）のアルゴリズムの一種で、主に連続行動空間を持つ問題に対...
python Deep Q-Network (DQN)の概要とアルゴリズムおよび実装例について
Deep Q-Network (DQN)の概要
Deep Q-Network（DQN）は、ディープラーニングとQ-Learningを組み合わせた手法で、Q関数をニューラルネットワークで近似することによって、高次元の...
アルゴリズム:Algorithms ボードゲームとAI “アルファ碁はなぜ人間に勝てたのか” 読書メモ
イントロダクション
AlphaGo（アルファ碁）は、Google DeepMindによって開発されたコンピュータ囲碁プログラムで、2015年10月に、人間のプロ囲碁棋士を互先（ハンディキャップなし）で破った初のコン...
python Dueling DQNの概要とアルゴリズム及び実装例について
Dueling DQNの概要
Dueling DQN（Dueling Deep Q-Network）は、強化学習においてQ学習をベースとしたアルゴリズムであり、価値ベースの強化学習アルゴリズムの一種となる。Duel...