表格型的方法Tabular Methods本章我们通过最简单的表格型的方法(tabular methods)来讲解如何使用 value-based 方法去求解强化学习。MDP强化学习的三个重要的要素：状态、动作和奖励。强化学习智能体跟环境是一步一步交互的，就是我先观察一下状态，然后再输入动作。再观察一下状态，再输出动作，拿到这些 reward 。它是一个跟时间相关的序列决策的问题。举个例子，在 t

参考链接原文地址路径规划之 A* 算法算法介绍A*（念做：A Star）算法是一种很常用的路径查找和图形遍历算法。它有较好的性能和准确度。本文在讲解算法的同时也会提供Python语言的代码实现，并会借助matplotlib库动态的展示算法的运算过程。A*算法最初发表于1968年，由Stanford研究院的Peter Hart, Nils Nilsson以及Bertram Raphael发表。它可以

https://blog.csdn.net/qq_42063091/article/details/82418630一、使用c#，nuget管理包上下载的ironPython安装包尝试后发现，对引用了numpy等第三方库的python代码，会报找不到模块xxx的错误，上网查证后发现此问题基本难以解决二、使用安装好的python环境，利用c#命令行，调用.py文件执行优点：执行速度只比在python

深度学习不仅在于其强大的学习能力，更在于它的创新能力。我们通过构建判别模型来提升模型的学习能力，通过构建生成模型来发挥其创新能力。判别模型通常利用训练样本训练模型,然后利用该模型，对新样本x，进行判别或预测。而生成模型正好反过来，根据一些规则y，来生成新样本x。生成式模型很多，本章主要介绍常用的两种：**变分自动编码器(VAE)和生成式对抗网络(GAN)**及其变种。虽然两者都是生成模型，并且通过

任务学习-Multitask Learning概述Referencehttps://blog.csdn.net/u010417185/article/details/830655061、单任务学习VS多任务学习单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习。多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。多任务学习（multitask

浅谈多任务学习（Multi-task Learning）1. 多任务学习的概念单任务学习（single task learning）：一个loss，一个任务，例如NLP里的情感分类、NER任务一般都是可以叫单任务学习。多任务学习（multi task learning）：简单来说有多个目标函数loss同时学习的就算多任务学习。例如现在大火的短视频，短视频APP在向你展示一个大长腿/帅哥视频之前，通

链接5.1 机器学习的基本任务机器学习的基本任务一般分为四大类，监督学习、无监督学习、半监督学习和强化学习。监督学习、无监督学习比较普遍，大家也比较熟悉。常见的分类、回归等属于监督学习，聚类、降维等属于无监督学习。半监督学习和强化学习的发展历史虽没有前两者这么悠久，但发展势头非常迅猛。图5-1 说明了四种分类的主要内容。5.1.1监督学习监督学习是最常见的一种机器学习类型，其任务的特点就是给定学习

任务学习-Multitask Learning概述Referencehttps://blog.csdn.net/u010417185/article/details/830655061、单任务学习VS多任务学习单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习。多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。多任务学习（multitask

马尔可夫决策过程上图介绍了在强化学习里面 agent 跟 environment 之间的交互，agent 在得到环境的状态过后，它会采取动作，它会把这个采取的动作返还给环境。环境在得到 agent 的动作过后，它会进入下一个状态，把下一个状态传回 agent。在强化学习中，agent 跟环境就是这样进行交互的，这个交互过程是可以通过马尔可夫决策过程来表示的，所以马尔可夫决策过程是强化学习里面的一个

表格型的方法Tabular Methods本章我们通过最简单的表格型的方法(tabular methods)来讲解如何使用 value-based 方法去求解强化学习。MDP强化学习的三个重要的要素：状态、动作和奖励。强化学习智能体跟环境是一步一步交互的，就是我先观察一下状态，然后再输入动作。再观察一下状态，再输出动作，拿到这些 reward 。它是一个跟时间相关的序列决策的问题。举个例子，在 t