改进集束搜索 (Refinements to Beam Search)上个视频中, 你已经学到了基本的束搜索算法(the basic beam search algorithm)，这个视频里,我们会学到一些技巧, 能够使算法运行的更好。长度归一化（Length normalization）就是对束搜索算法稍作调整的一种方式，帮助你得到更好的结果，下面介绍一下它。前面讲到束搜索就是最大化这个概率，这

第7章回到目录第9章第8章-有输入时滞的二阶多智能体系统的多一致8.1 引言8.2 问题描述8.3 输入时滞影响下的二阶多智能体系统的多一致8.3.1 无输入时滞的二阶多智能体系统的多一致8.3.2 带输入时滞的二阶多智能体系统的多一致8.4 仿真模拟8.4.1 无输入时滞的二阶多智能体系统的多一致仿真8.4.2 带输入时滞的二阶多智能体系统的多一致仿真8.5 本章小结8.1 引言8.2 问题描述

第6章回到目录第8章第7章-基于 Markov 对策的多 Agent 协调7.1 引言7.2 多 Agent 交互的协调与博弈分析7.2.1 多 Agent 协调与博弈的性质7.2.2 多 Agent 协调失败的处理7.3 多 Agent 冲突博弈强化学习模型7.3.1 多 Agent 冲突博弈7.3.2 最优策略7.3.3 基于后悔值的 Q 学习模型7.4 Nash-Q 学习7.5 零和 Mar

多智能体系统 (1) 在间歇通讯协议下可以表示成如下形式。具有非线性动力学的二阶多智能体系统，动力学描述为。

多项式回归在线性回归中，我们通过如下函数来预测对应房屋面积的房价：hθ(x)=θ0+θ1∗sizeh_θ(x)=θ_0+θ_1∗sizehθ​(x)=θ0​+θ1​∗size通过程序我们也知道，该函数得到的是直线拟合，精度欠佳。现在，我们可以考虑对房价特征sizesizesize进行平方，以及获得更加精准的sizesizesize变化：hθ(x)=θ0+θ1∗size+θ2...

二阶离散线性多智能体系统滞后一致性

人工合成数据在字符识别阶段，为了更好的完成分类识别任务，我们就需要给系统提供尽可能多的训练图像，如果我们手头上拥有的图像不多，就需要人工合成更多的数据。例如，我们可以收集不同的字体，并为每种字体的每个字符加上随机背景，这样就可以人工扩展大量的字符图像：另外，也可以通过扭曲字符形状来合成新数据，这也会帮助机器更好地处理发生过形态变化的图像：但是，为数据加上随机噪声一般不会提升模型训练质量...

训练/开发/测试集划分 (Train/Dev/Test Distribution)设立训练集，开发集和测试集的方式大大影响了你或者你的团队在建立机器学习应用方面取得进展的速度。同样的团队，即使是大公司里的团队，在设立这些数据集的方式，真的会让团队的进展变慢而不是加快，我们看看应该如何设立这些数据集，让你的团队效率最大化。在这个视频中，我想集中讨论如何设立开发集和测试集，开发（dev）集也叫做...

上限分析（Ceiling analysis）光学字符识别并不是一个单一的过程，而是由若干过程构成的流水线。我们知道，字符识别作为该流水线的出口，其将是衡量光学字符识别准确率的依据。工程浩瀚，我们不可能在流水线的每一步都花费巨额的精力来作出改善，因此，我们需要一种手段来知道去改善哪一步是最值得的，**上限分析（Ceiling analysis）**就是手段之一。所谓上限分析，就是我们假定某个组...

第14章-带通信和输入时延的异构竞争多智能体系统分组一致性14.1 引言14.2 预备知识14.3 问题描述与分析14.4 例子与数值仿真14.5 本章小结14.1 引言14.2 预备知识在本章中，假设一个由 n+mn+mn+m 个智能体组成的异构多智能体系统，其中包含一阶和二阶动力学智能体。为了方便，假设前 nnn 个和剩下的 mmm 个智能体分别具有二阶和一阶动力学特性的智能体，那么系统的动力