亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

多智能體強化學習是AI中的熱點技術之一，來自愛丁堡大學Stefano V. Albrecht, Filippos Christianos, Lukas Sch?fer編著的《多智能體強化學習：基礎與現代方法》詳述MARL中的模型、解決方案概念、算法思想和技術挑戰提供基礎介紹。

多智能體強化學習（Multi-agent Reinforcement Learning，MARL）是一個多樣且極為活躍的研究領域。自2010年代中期將深度學習引入MARL以來，該領域的活動迅猛增長，所有主要的人工智能和機器學習會議上都會定期發布開發新的MARL算法或以某種方式應用MARL的論文。這種快速增長也可以從已發表的綜述論文數量的增加得到證明，附錄A中列出了其中許多論文。在這種增長的背景下，人們意識到該領域需要一本教材，以提供對MARL的系統介紹。本書在某種程度上基于并主要遵循Stefano V. Albrecht和Peter Stone于2017年在澳大利亞墨爾本舉行的國際人工智能聯合會議上所提供的教程《多智能體學習：基礎與最新趨勢》的結構。本書的撰寫目的是為MARL中的模型、解決方案概念、算法思想和技術挑戰提供基礎介紹，并描述整合深度學習技術以產生強大新算法的現代MARL方法。我們認為，本書涵蓋的內容應該為每個MARL研究者所知。此外，本書旨在為研究人員和實踐者在使用MARL算法時提供實用指導。為此，本書附帶了用Python編程語言編寫的代碼庫，其中包含了本書討論的多個MARL算法的實現。代碼庫的主要目的是提供自包含且易于閱讀的算法代碼，以幫助讀者理解。想象一個場景，在這個場景中，一個由自主智能體組成的集體，每個智能體都有能力做出自己的決定，他們必須在一個共享環境中互動，以達成某些目標。這些智能體可能有一個共享的目標，比如一個移動機器人的車隊，其任務是在一個大型倉庫內收集和運送貨物，或者一個負責監控海上石油鉆井平臺的無人機隊伍。智能體也可能有沖突的目標，比如在一個虛擬市場上交易商品的智能體，每個智能體都試圖最大化自己的收益。由于我們可能不知道這些智能體應該如何互動以達成他們的目標，所以我們讓他們自己去解決。因此，這些智能體開始在他們的環境中嘗試行動，并收集關于環境如何隨著他們的行動而變化，以及其他智能體如何行為的經驗。隨著時間的推移，這些智能體開始學習各種概念，如解決任務所需的技能，以及重要的，如何與其他智能體協調他們的行動。他們甚至可能學會發展一種共享的語言，以便智能體之間的通信。最后，這些智能體達到了一定的熟練程度，成為了互動優化以達成他們目標的專家。這個令人興奮的愿景，簡而言之，就是多智能體強化學習（MARL）希望達成的目標。MARL基于強化學習（RL），在這種學習中，智能體通過嘗試行動和接收獎勵來學習最優決策策略，目標是選擇能在時間內最大化累積獎勵的行動。而在單一智能體的RL中，重點是為單一智能體學習最優策略，在MARL中，重點是為多個智能體學習最優策略以及在這個學習過程中出現的獨特挑戰。在這第一章中，我們將開始概述MARL中的一些基礎概念和挑戰。我們首先介紹多智能體系統的概念，這是由環境、環境中的智能體及其目標定義的。然后我們討論了MARL如何在這樣的系統中運作以學習智能體的最優策略，并通過一些潛在應用的例子來說明。接下來我們討論了MARL中的一些關鍵挑戰，如非穩定性和均衡選擇問題，以及幾種描述MARL可以如何使用的不同“議程”。在本章的結尾，我們對這本書的兩部分中涵蓋的主題進行了概述。多智能體強化學習（MARL）算法為多智能體系統中的一組智能體學習最優策略。與單一智能體的情況一樣，這些策略是通過試錯過程來學習的，目標是最大化智能體的累積獎勵，或者說回報。圖1.3顯示了MARL訓練循環的基本示意圖。一組n個智能體選擇個體行動，這些行動一起被稱為聯合行動。聯合行動按照環境動態改變了環境的狀態，并且智能體由于這種變化收到個體獎勵，同時也對新環境狀態有個體觀察。這個循環持續進行，直到滿足終止條件（比如一位智能體贏得了一場象棋比賽）或無限期地進行。這個循環從初始狀態到終止狀態的完整運行被稱為一個情節。通過多個獨立情節產生的數據，即每個情節中經歷的觀察、行動和獎勵，被用來持續改進智能體的策略。

這本書為大學生、研究者和從業者提供了關于多智能體強化學習理論和實踐的介紹。在這個引言章節之后，本書的剩余部分分為兩部分。本書的第一部分提供了關于MARL中使用的基本模型和概念的基礎知識。具體來說，第二章對單一智能體RL的理論和表格算法進行了介紹。第三章介紹了基本的游戲模型，以定義多智能體環境中的狀態、行動、觀察和獎勵等概念。然后，第四章介紹了一系列解決概念，這些概念定義了解決這些游戲模型意味著什么；也就是說，智能體如何最優地行動意味著什么。最后，第五章介紹了在游戲中應用MARL來計算解決方案時的一些基礎算法思想和挑戰。本書的第二部分側重于當代利用深度學習技術創建新的強大MARL算法的MARL研究。我們首先在第六章和第七章分別對深度學習和深度強化學習進行了介紹。基于前兩章，第八章介紹了近年來開發的一些最重要的MARL算法，包括集中化訓練與分散化執行、價值分解和參數共享等思想。第九章在實施和使用MARL算法以及如何評估學習到的策略時提供了實用指導。最后，第十章描述了在MARL研究中開發的一些多智能體環境的例子。

這本書的一個目標是為想在實踐中使用本書中討論的MARL算法，以及開發他們自己的算法的讀者提供一個起點。因此，這本書配有自己的MARL代碼庫（可從書籍網站下載），該代碼庫使用Python編程語言開發，提供了許多現有的MARL算法的實現，這些實現是自包含的，易于閱讀。第九章使用代碼庫中的代碼片段來解釋早些章節中提出的算法背后的重要概念的實現細節。我們希望所提供的代碼能夠幫助讀者理解MARL算法，并開始在實踐中使用它們。

生成AI是科技領域最熱門的話題。本實用書籍教授機器學習工程師和數據科學家如何使用TensorFlow和Keras從零開始創建令人印象深刻的生成深度學習模型，包括變分自編碼器（VAEs）、生成對抗網絡（GANs）、Transformers、歸一化流、基于能量的模型和去噪擴散模型。 該書從深度學習的基礎知識開始，逐步進入最前沿的架構。通過提示和技巧，你將理解如何使你的模型更有效地學習并變得更有創造力。

探索VAEs如何改變照片中的面部表情 訓練GANs根據你自己的數據集生成圖像 構建擴散模型產生新的花卉品種 訓練你自己的GPT進行文本生成 學習大型語言模型如ChatGPT是如何訓練的 探索最新的架構，如StyleGAN2和ViT-VQGAN 使用Transformers和MuseGAN創作復調音樂 了解生成世界模型如何解決強化學習任務 深入研究多模態模型，如DALL.E 2、Imagen和Stable Diffusion 本書還探討了生成AI的未來，以及個人和公司如何可以積極開始利用這種驚人的新技術來創造競爭優勢。

//www.oreilly.com/library/view/generative-deep-learning/9781098134174/

深度強化學習(Deep Reinforcement Learning, Deep RL)結合了深度學習和強化學習，人工智能體通過學習來解決順序決策問題。在過去的十年中，深度RL在一系列問題上取得了顯著的成果，從單人和多人游戲(如圍棋、Atari游戲和DotA 2)到機器人。

《深度強化學習基礎》是對深度學習的介紹，獨特地結合了理論和實現。它從直覺開始，然后仔細地解釋了深度RL算法的理論，討論了其伴生軟件庫SLM Lab中的實現，最后介紹了使深度RL工作的實際細節。 本指南對于熟悉基本機器學習概念并對Python有實際理解的計算機科學學生和軟件工程師都是理想的。

理解深度RL問題的每個關鍵方面 * 探索基于策略和價值的算法，包括REINFORCE、SARSA、DQN、Double DQN和優先體驗重放(PER) * 深入研究組合算法，包括actor - critical和近端策略優化(PPO) * 理解如何同步和異步并行算法 * 在SLM Lab中運行算法，學習深入RL工作的實際實現細節 * 探索調優超參數的算法基準測試結果 * 理解深度RL環境是如何設計的

決策算法在許多不同的應用中被使用。傳統的設計決策算法的方法采用原則和簡化的建模，在此基礎上，人們可以通過易于處理的優化來確定決策。最近，深度學習方法正在變得越來越流行，這種方法使用從數據調整的高度參數架構，而不依賴于數學模型。基于模型的優化和以數據為中心的深度學習通常被認為是不同的學科。在這里，我們將它們描述為一個在特異性和參數化方面不斷變化的連續光譜的邊緣，并為位于這個光譜中間的方法提供一個教程式的展示，稱為基于模型的深度學習。在我們的演示中，我們還附帶了超分辨率和隨機控制方面的運行示例，并展示了如何使用所提供的特性和每種詳細方法來表示它們。將基于模型的優化和深度學習結合在一起，在生物醫學成像和數字通信等各種應用中使用實驗結果，證明了這種結合的好處。

盡管深度學習在圖像分類、語音識別和游戲等有監督和強化學習問題上取得了顯著的成功，但這些模型在很大程度上是專門用于訓練它們的單一任務的。本課程將涵蓋需要解決多個任務的環境，并研究如何利用多個任務產生的結構來更有效地學習。

這包括:
 以目標為條件的強化學習技術，它利用所提供的目標空間的結構來快速地學習多個任務; 元學習方法旨在學習可以快速學習新任務的高效學習算法; 課程和終身學習，其中問題需要學習一系列任務，并利用它們的共享結構來實現知識轉移。

這是一門研究生水平的課程。在課程結束時，學生將能夠理解和實施最先進的多任務學習和元學習算法，并準備對這些主題進行研究。

課程鏈接：

//cs330.stanford.edu/

自監督學習(Self-Supervised learning, SSL)是近年來機器學習研究的熱點之一。在SSL中，學習模型捕獲輸入變量之間的依賴關系，其中一些可能被觀察到，記為X，而另一些不總是被觀察到，記為Y。SSL預訓練已經徹底改變了自然語言處理，并在語音和圖像識別方面取得了非常快的進展。SSL可以使機器通過觀察學習世界的預測模型，并學習感知世界的表示，從而減少標記樣本或獎勵試驗的數量，以學習下游任務。在基于能量的模型框架(EBM)中，X和Y都是輸入，模型輸出一個度量X和Y之間不兼容程度的標量能量。EBM是隱式函數，可以表示X和Y之間復雜和多模態的依賴關系。EBM架構主要分為兩類:聯合嵌入架構和潛在變量生成架構。訓練EBMs的方法主要有兩類: 對比方法和容量正則化方法。EBM的許多基礎數學借鑒自統計物理學，包括配分函數、自由能量和其變分逼近的概念。

貝葉斯網絡(Bayesian networks，BN)最近在眾多領域中引發了興趣，參與了許多不同的應用，包括經濟、風險分析、資產和負債管理、人工智能和機器人、交通系統規劃和優化、政治學分析、法律和法醫科學評估、藥理學和藥物基因組學、系統生物學和代謝組學、心理學和政策制定和社會方案評價等。這種強烈的響應可以看出，結構和過程的概率貝葉斯模型是可靠的和穩定的因果關系的表示。與傳統的頻率統計方法相比，BN通過合并新的數據而獲得增量或縱向改進的能力提供了額外的優勢。本書的參與者闡明了BN這些方面的各種新的進展。

下載地址：鏈接: //pan.baidu.com/s/16ZKifEDhWp-vmy1R_6C02w 提取碼: 7gnx

• 第一章 Introductory Chapter: Timeliness of Advantages of Bayesian Networks By Douglas S. McNair
• 第二章 An Economic Growth Model Using Hierarchical Bayesian Method By Nur Iriawan and Septia Devi Prihastuti Yasmirullah
• 第三章 Bayesian Networks for Decision-Making and Causal Analysis under Uncertainty in Aviation
• 第四章 Using Bayesian Networks for Risk Assessment in Healthcare System
• 第五章 Continuous Learning of the Structure of Bayesian Networks: A Mapping Study
• 第六章 Multimodal Bayesian Network for Artificial Perception
• 第七章 Quantitative Structure-Activity Relationship Modeling and Bayesian Networks: Optimality of Naive Bayes Model
• 第八章 Bayesian Graphical Model Application for Monetary Policy and Macroeconomic Performance in Nigeria