深度增强学习 知乎专栏与Blog迁移说明

扯淡： 平时学算法都是碎片化的学习，基本上都是看看博客，知乎和论文（博客和知乎看的最多），提升是有的，但是总觉得缺点什么，可能是缺少完整的知识体系。毕业本来想搞嵌入式的，因为会点AI小知识，分到了AI实验室。在这里跟许多优秀的人在一起，耳濡目染，潜移默化就get不少新的思路。业务上是一直帮产品线爸爸搞解单、拉通、验收、清洗和路测，相当辛苦，但是有机会接触新的论文，还能线上听很多专家学者的讲座，这让我很满足。对年轻人来讲，成长最重要，要看长远一些，看可以学到什么，在一个地方有没有发展的机会。工作后成长很快，

知乎上关于deep learning和强化学习的资源： https://zhuanlan.zhihu.com/intelligentunit　　 目前在Deep Reinforcement Learning取得开拓性进展的主要集中在DeepMind和UC Berkerley团队(openAI) 强化学习资料： 简明教程：http://blog.csdn.net/itplus/art

在AC算法的基础上进行，四个网络同步操作，可以兼容值迭代和策略迭代算法，从而提升算法性能。其二，尝试将遇到的困难询问别人，也许无法得到直接、准确、有效的答案，至少能够让自己表达出来正在遇到的问题，然后再去想，更有可能会获得新的进展。可以理解为，将经验回放放入一个队列中，队列中满内存就取出经验回放用于神经网络的训练，其中用到了时间差分误差，也就是神经网络中使用到的Loss函数，时间差分误差可以视为外在奖励值（extrinsic reward），从而将智能体所得到的即时奖励值转化为网络参数。

要理解P问题、NP问题、NPC问题、NP-hard问题，需要先弄懂几个概念： 什么是多项式时间？ 什么是确定性算法？什么是非确定性算法？ 什么是规约/约化？ 多项式时间（Polynomial time） 什么是时间复杂度？ 确定性算法与非确定性算法 确定性算法： 设A是求解问题B的一个解决算法，在算法的整个执行过程中，每一步都能得到一个确定的解，这样的算法就是确定性算法。 非确定性算法： 设A是求解问题B的一个解决算法，它将问题分解成两部分，分别为猜测阶段和验证阶段，其中 猜测阶..

转自机器之心编辑：张倩、小舟五十多年前的理论还值得再研究一下？「相比于强化学习（RL），我确实更喜欢模型预测控制（MPC）。强化学习发论文有多难？Uber AI都倒闭了，三年前的研究才登上Nature|AI|Uber|Nature_新浪科技_新浪网。一方面是，感觉rl对数学要求较高，本科在AI相关的数学上积累并不是很深厚，怕自己入坑后搞不出来另一方面。总感觉强化学习与其他机器学习方法的研究难度不在一条水平线上，不知道是不是我个人的错觉。图灵奖得主Yann LeCun不看好强化学习：「我确实更喜欢 MPC」

作者：机器之心 链接：https://www.zhihu.com/question/41979241/answer/208177153 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 Part 1：什么是迁移学习？迁移学习的场景与应用。 深度 | 迁移学习全面概述：从基本概念到相关研究 文章来源于http://sebastianruder.com，作...

转载自知乎，著作权归属作者原文：https://www.zhihu.com/question/404471029攻城狮子（南洋理工大学 research fellow）回答：做过两年多RL，发过几篇顶会，以及有幸与国内top的游戏公司合作过，落地这块有一定的经验。尝试用大白话说点本质问题。不被广泛应用的原因是：数据收集过程不可控跟监督学习不一样，强化学习的数据来自ag...

知乎上的叶强大大写的笔记，感谢他的分享精神。 作者链接：https://www.zhihu.com/people/qqiang00/posts?page=2 写的很好，整理一下方便用 讲解： 1.《强化学习》第一讲 简介： https://zhuanlan.zhihu.com/p/28084904 2.《强化学习》第二讲 马尔科夫决策过程 ：https://zhuanlan.zhihu...

这一章学习使用on-policy的数据对状态值函数进行逼近，也就是在策略下估计值函数。这一章的重点在于估计的值函数不是使用表格来表示而是使用参数w的函数形式。一般来说权重参数的数量是远远比状态的数量要小的，而且改变一个权重的大小会影响到很多个状态值的估计。于是一个值函数的更新会带来很多其它值函数的改变。这种泛化能力非常有用但更难操作和理解。 而且把强化学习延伸到函数逼近的形式也使得它能够应用于部...

引言强化学习是除了监督学习和无监督学习之外的另一种机器学习方法。监督学习：是从标记好的训练数据中学习模型。无监督学习：是从未标记的数据中发现模式、结构或关系，而无需提前知道预期的输出标签。强化学习：其重点是让智能体（agent）从与环境的交互中学习，以达到最大化某种形式的累积奖励。在强化学习中，智能体采取一系列行动来实现特定目标，然后根据环境的反馈（奖励或惩罚）来调整其行为策略。强化学习有哪些好处...

文章目录前言第一章：强化学习的基本概念学习——监督， 无监督与强化学习强化学习的体系与联系Reward 奖励AgentEnvironmentActionsObservation马尔科夫决策过程马尔科夫链马尔科夫奖励过程马尔科夫决策过程Policy总结 前言 重读《Deep Reinforcemnet Learning Hands-on》， 常读常新， 极其深入浅出的一本深度强化学习教程。 本文的唯一贡献是对其进行了翻译和提炼， 加一点自己的理解组织成一篇中文笔记。 原英文书下载地址: 传送门 原代码地址：

深度强化学习实验室报道作者：岳龙飞，编辑：DeepRL更多资料查看Githubhttps://github.com/neurondance/deeprl人工智能是21世纪最激动人心的技...

转载自：知乎-天津包子馅儿，机器人学博士

一. 开山鼻祖DQN1. Playing Atari with Deep Reinforcement Learning，V. Mnih et al., NIPS Workshop, 2013.2. Human-level control through deep reinforcement learning, V. Mnih et al., Nature, 2015.二. DQN的各种改进版本（侧...

本文转自：https://www.zhihu.com/question/299020462/answer/653199202 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 迁移学习（Transfer Learning）：就是指利用已经训练好的开源网络模型比如常见的VGG系列、Resnet系列、GoogleNet系列、MobileNet等，利用这些网络和其已经在其他大型数据集上训练好的权重参数，将自己的任务数据集在这些迁移过来的网络上进行训练或者微调。这里迁移是指迁移网络

迁移学习研究如何把一个源领域（source domain）/源任务（source task）中获得的知识迁移到目标领域（target domain）/目标任务（target task），以减少目标任务对大量标注数据或过长训练时间的依赖，从而获得更快、更好的学习效果。

本文转自：策略产品经理必读系列—第二讲强化学习 - 知乎 Pacman（吃豆人）的游戏介绍强化学习加州大学伯克利分校在上强化学习这门课程时使用的cousrwork的链接： http://ai.berkeley.edu/project_overview.html。 前言：强化学习这个概念是2017年乌镇围棋峰会上Alpha Go战胜了当时世界排名第一的柯洁而被普通大众知道，后面随着强化学习在各大游戏比如王者荣耀中被应用，而被越来越多的人熟知。王者荣耀AI团队，甚至在顶级期刊AAAI上发表过...

迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发 的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过 从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算 法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学 习社区持续关注的话题。迁移学习对人类来说很常见，例如，我们可能会发现 学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。

推荐迁移学习入门的读物，包括论文、手册、山头、综述blabla的。