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

李察·薩頓和安德魯·巴托以清晰簡明的方式闡述了強化學習的關鍵思想和算法。他們的討論范圍從該領域的知識基礎歷史到最近的發展和應用。

強化學習是人工智能中最活躍的研究領域之一，是一種計算學習方法，其中一個代理試圖在與復雜、不確定的環境交互時最大化其獲得的總獎勵。在《強化學習》這本書中，李察·薩頓和安德魯·巴托以清晰簡明的方式闡述了強化學習的關鍵思想和算法。他們的討論范圍從該領域的知識基礎歷史到最近的發展和應用。所需的數學背景僅是對基本概率概念的熟悉。

該書分為三部分。第一部分用馬爾可夫決策過程來定義強化學習問題。第二部分提供基本解決方法：動態規劃，蒙特卡洛方法，和時差學習。第三部分提供了一個關于解決方法的統一視角，并融入了人工神經網絡，資格痕跡和規劃；最后兩章提供了案例研究，并考慮了強化學習的未來。

決策智能（DI）多年來一直被廣泛認為是頂尖的技術趨勢，Gartner的報告顯示，超過三分之一的大型組織正在采用它。有人甚至說，DI是AI發展的下一個階段。目前，許多軟件供應商提供DI解決方案，因為它們幫助組織實施基于證據或數據驅動的決策策略。

然而，到目前為止，關于組織如何正式化決策并將其與數據整合的實用指南還很少。 通過這本書，作者L. Y. Pratt和N. E. Malcolm填補了這一空白。他們提出了一種分步方法，將技術整合到決策中，搭建從行動到期望結果的橋梁，重點關注在決策制定過程中起顧問作用、與人類保持交互的系統。 這本手冊解決了三個普遍存在的數據驅動決策問題：

1. 決策者如何使用數據和技術來確保達到期望的結果？
2. 技術團隊如何與決策者有效溝通，以最大限度地提高他們在數據和技術上的投資回報？
3. 組織的決策者如何評估并隨著時間的推移改進他們的決策？

在第一章中，我們向您介紹DI。我們簡要介紹DI的歷史，并從多個角度解釋它的好處。如果您想快速開始學習DI的流程，可以跳過第一章。其余章節圍繞九個DI流程進行組織，這些流程在圖P-3中進行了總結。

第二章讓你開始學習決策制定。它涵蓋了創建初始決策目標陳述和構建決策設計的過程，包括識別可用的行動和期望的結果。第三章涉及到決策設計，你將在這里創建你的初始CDD。在第四章，你將研究可以支持你的決策的技術和數據資產，這被稱為決策資產調查。現在是時候把所有東西匯集起來，做出你能做的最好的決策。這是決策模擬，涵蓋在第五章。在你根據你的決策采取行動之前，你會想要評估風險、敏感性和不確定性。這是決策評估，是第六章的主題。現在是時候采取你選擇的行動了。在這本書中，我們不會告訴你一旦做出選擇該如何行動——我們認為你在這方面已經很擅長了。但是在第七章，我們將描述決策監測：你如何可以使用你的DI資產來監控你的行動（KPIs、中間過程、結果等）在現實中的效果，以便你可以在事情偏離軌道時迅速調整。

最后，第八章涵蓋了決策模型被使用后你需要做的事情。在決策成果保留中，你要確保盡可能多的決策制定努力可以被重復使用。在決策回顧過程中，你將評估并改進你的決策制定過程，以備下次使用。 //www.oreilly.com/library/view/the-decision-intelligence/9781098139643/

這本書是對卡內基梅隆大學Drew Bagnell在自適應控制和強化學習課程(2010,11,14)，Byron Boots在佐治亞理工大學(2019)和Sanjiban Choudhury在康奈爾大學(2022)所做課堂筆記的編輯合集。我們感謝Chris Atkeson共同講授了這門課的第一個實例，并塑造了我們在這里思考問題的方式。這本書——以及它所依據的類——旨在提供一套實用工具，為機器與世界的交互構建決策程序。我們的應用程序從視頻游戲和網絡搜索到機器人操作和自動駕駛汽車。這個領域是廣闊的，所以我們的觀點必然是狹隘的。我們明確地不做嚴格的嘗試，而是專注于直覺和建立這種直覺的非正式數學論證，以及我們在艱難的決策問題上多次看到的技術。我們試圖概括出我們在實踐中最有可能采用的技術和思維方式。在整個過程中，我們試圖指出嚴格的衍生和原始文獻的主題。這些筆記的設計基于概率的基本技術(條件概率、條件獨立、高斯、積分技術、貝葉斯方法和推斷、濾波和時間序列模型)、線性代數(計算和基本線性分析)、優化(梯度、Hessians、度量、Krylov子空間)和機器學習(泛化、優化、無后悔/在線學習、反向傳播和核方法)。

強化學習是人工智能中一個強大的工具，其中虛擬或物理代理學習優化他們的決策，以實現長期目標。在某些情況下，這種機器學習方法可以節省程序員的時間，超越現有的控制器，達到超人的性能，并不斷適應不斷變化的條件。這本書認為，這些成功表明強化學習可以成功地應用于許多不同的情況，包括機器人控制、股票交易、供應鏈優化和工廠控制。

然而，強化學習傳統上僅限于虛擬環境或模擬環境中的應用，在這些環境中已經提供了設置。此外，實驗可以完成幾乎無限次的嘗試無風險。在許多現實生活任務中，使用強化學習并不像(1)數據沒有正確的形式;(2)數據稀缺，(3)自動化在現實世界中有局限性。

因此，這本書是寫來幫助學者，領域專家，和數據愛好者一樣理解的基本原則，應用強化學習到現實世界的問題。這是通過將重點放在使用實際示例和將標準數據建模為所需的正確形式，然后應用基本智能體的過程來實現的。為了進一步幫助讀者獲得對這些方法的深入和接地氣的理解，本書展示了完整的手工計算示例，以及如何用代碼以更自動化的方式實現這一點。

對于對強化學習作為解決方案感興趣但不精通的決策者，本書在介紹和案例研究部分包括簡單的、非技術的例子。這些提供了強化學習的背景，以及在實踐中應用它的挑戰和風險。具體來說，這些部分闡述了強化學習和其他機器學習方法的區別，以及知名公司如何成功地使用這種方法解決他們的問題。

//www.morganclaypool.com/doi/abs/10.2200/S01170ED1V01Y202202AIM052

本書分為三個部分。第一部分介紹了分布式強化學習的構建模塊。我們首先介紹了我們的基本研究對象，收益分布和分布Bellman方程(第二章)。第三章介紹了分類時間差分學習，一種簡單的學習收益分布的算法。在第三章結束時，讀者應該理解分布式強化學習的基本原則，并且應該能夠在簡單的實際設置中使用它。

第二部分是對分布式強化學習理論的發展。第4章介紹了一種用于測量返回分布之間距離的語言，以及與這些分布交互的操作符。第5章介紹了實現分布式強化學習所需的概率表示的概念;在此基礎上，研究了用這種表示來計算和近似收益分布的問題，并引入了分布動態規劃的框架。第6章研究了如何從樣本中以增量的方式學習返回分布，給出了類別時間差分學習的正式結構，以及其他算法，如分位數時間差異學習。第7章將這些思想擴展到最優決策的設置(也稱為控制設置)。最后，第8章介紹了基于統計泛函概念的分布強化學習的不同視角。在第二部分結束時，讀者應該理解在設計分布式強化學習算法時出現的挑戰，以及解決這些挑戰的可用工具。

第三部分和最后一部分為實際場景ios開發了分布式強化學習。第九章回顧了線性值函數逼近的原理，并將這些思想推廣到分布環境中。第10章討論了如何將分布方法與深度神經網絡相結合來獲得深度強化學習的算法，并提出了一個模型來研究這種結合所產生的現象。第11章討論了分布式強化學習在兩個進一步研究領域(多主體學習和神經科學)的新興應用，并得出結論。

//www.distributional-rl.org/

決策理論是現代人工智能和經濟學的基礎。本課程主要從統計學的角度，也從哲學的角度，為決策理論打下堅實的基礎。本課程有兩個目的:

• 深入了解統計決策理論、實驗設計的自動化方法，并將其與人類決策聯系起來。
• 通過開發算法和智能代理的實驗，將該理論應用到強化學習和人工智能的實際問題中。

課程可分為兩部分。

• 第一部分，我們介紹了主觀概率和效用的概念，以及如何用它們來表示和解決決策問題。然后討論未知參數的估計和假設檢驗。最后，我們討論了順序抽樣、順序實驗，以及更一般的順序決策。

• 第二部分是不確定性下的決策研究，特別是強化學習和專家咨詢學習。首先，我們研究幾個有代表性的統計模型。然后，我們給出了使用這些模型做出最優決策的算法的概述。最后，我們來看看學習如何根據專家的建議來行動的問題，這個領域最近在在線廣告、游戲樹搜索和優化方面有很多應用。