প্রশ্ন ট্যাগ «reinforcement-learning»

সফ্টওয়্যার এজেন্টদের পরিবেশে কীভাবে পদক্ষেপ নেওয়া উচিত তা নিয়ে জড়িত মেশিন লার্নিংয়ের ক্ষেত্র যাতে ক্রমবর্ধমান পুরষ্কারের কিছুটা ধারণা বাড়ানো যায়।

5
কিউ ফাংশনটি কী এবং সংযুক্তি শিক্ষার ক্ষেত্রে ভি ফাংশন কী?
আমার কাছে মনে হয় VVV ফাংশনটি সহজেই QQQ ফাংশন দ্বারা প্রকাশ করা যেতে পারে এবং এইভাবে VVV ফাংশনটি আমার কাছে অতিরিক্ত প্রয়োজন বলে মনে হয়। তবে, আমি পুনর্বহাল শেখার ক্ষেত্রে নতুন তাই আমার ধারণা যে আমি কিছু ভুল করেছি got সংজ্ঞা প্রশ্ন- এবং ভি-লার্নিং মার্কোভ সিদ্ধান্ত প্রক্রিয়াগুলির প্রসঙ্গে রয়েছে । …

1
এক্সজিবিস্ট স্কলারন গ্রেডিয়েন্টবুস্টিং ক্লাসিফায়ারের চেয়ে এত দ্রুত কেন?
আমি 100 সংখ্যার বৈশিষ্ট্য সহ 50 কে উদাহরণের মাধ্যমে গ্রেডিয়েন্ট বুস্টিং মডেলটি প্রশিক্ষণের চেষ্টা করছি। XGBClassifierআমার মেশিনে 43 সেকেন্ডের মধ্যে 500 গাছ হ্যান্ডল করে, যখন GradientBoostingClassifier1 মিনিট 2 সেকেন্ডের মধ্যে কেবল 10 টি গাছ (!) পরিচালনা করে :( আমি কয়েক ঘন্টা লাগবে বলে 500 গাছ বাড়ানোর চেষ্টা করতে বিরক্ত করিনি। …
29 scikit-learn  xgboost  gbm  data-mining  classification  data-cleaning  machine-learning  reinforcement-learning  data-mining  bigdata  dataset  nlp  language-model  stanford-nlp  machine-learning  neural-network  deep-learning  randomized-algorithms  machine-learning  beginner  career  xgboost  loss-function  neural-network  software-recommendation  naive-bayes-classifier  classification  scikit-learn  feature-selection  r  random-forest  cross-validation  data-mining  python  scikit-learn  random-forest  churn  python  clustering  k-means  machine-learning  nlp  sentiment-analysis  machine-learning  programming  python  scikit-learn  nltk  gensim  visualization  data  csv  neural-network  deep-learning  descriptive-statistics  machine-learning  supervised-learning  text-mining  orange  data  parameter-estimation  python  pandas  scraping  r  clustering  k-means  unsupervised-learning 

5
আলফাগো নীতি নেটওয়ার্ক এবং মান নেটওয়ার্কের মধ্যে পার্থক্য
আমি গুগলের আলফাগো ( http://googleresearch.blogspot.co.uk/2016/01/alphago-mastering-ancient-game-of-go.html ) সম্পর্কে একটি উচ্চ স্তরের সংক্ষিপ্ত বিবরণ পড়ছিলাম এবং আমি "নীতি" শর্তগুলি পেলাম নেটওয়ার্ক "এবং" মান নেটওয়ার্ক "। একটি উচ্চ স্তরে, আমি বুঝতে পারি যে নীতি নেটওয়ার্কটি চালগুলি প্রস্তাব দেওয়ার জন্য ব্যবহৃত হয় এবং মান নেটওয়ার্কটি ব্যবহার করা হয়, "অনুসন্ধান গাছের গভীরতা হ্রাস করুন [এবং …

2
শক্তিবৃদ্ধি শেখার বুটস্ট্র্যাপিং ঠিক কী?
স্পষ্টতই, শক্তিবৃদ্ধি শেখার ক্ষেত্রে, টেম্পোরাল-ডিফারেন্স (টিডি) পদ্ধতিটি একটি বুটস্ট্র্যাপিং পদ্ধতি ra অন্যদিকে, মন্টি কার্লো পদ্ধতিগুলি বুটস্ট্র্যাপিং পদ্ধতি নয়। আরএল-এ বুটস্ট্র্যাপিং ঠিক কী? আরএল-তে বুটস্ট্র্যাপিং পদ্ধতি কী?

1
"অভিজ্ঞতা রিপ্লে" কী এবং এর সুবিধা কী?
আমি গুগলের ডিপমাইন্ড আতারি কাগজটি পড়ছি এবং আমি "অভিজ্ঞতার পুনরায় খেলা" ধারণাটি বোঝার চেষ্টা করছি। অভিজ্ঞতার পুনরায় খেলা আরও অনেক সংহতকরণ শেখার কাগজপত্র আসে (বিশেষত, আলফাগো পেপার), সুতরাং এটি কীভাবে কাজ করে তা আমি বুঝতে চাই। নীচে কিছু অংশ রয়েছে। প্রথমত, আমরা একটি জৈবিকভাবে অনুপ্রাণিত মেকানিজমযুক্ত অভিজ্ঞতা ব্যবহার করি যা …

4
মানব ডাটাবেস ছাড়াই আলফাগো (এবং অন্যান্য গেম প্রোগ্রামগুলি পুনর্বহালকরণ-শেখার সাহায্যে) ব্যবহার করে
আমি বিষয়টির বিশেষজ্ঞ নই, এবং আমার প্রশ্ন সম্ভবত খুব নিষ্পাপ। আলফাগো প্রোগ্রামে ব্যবহৃত শক্তিবৃদ্ধি শেখার ক্ষমতা এবং সীমাবদ্ধতা বোঝার জন্য এটি একটি প্রবন্ধ থেকে উদ্ভূত হয়েছে। আলফাগো প্রোগ্রামটি অন্যান্য জিনিসগুলির মধ্যে (গাছের মন্টি-কার্লো এক্সপ্লোরেশন ইত্যাদি) ব্যবহার করে তৈরি করা হয়েছে, নিউরাল নেটওয়ার্কগুলি যা মানব-খেলানো গো গেমগুলির একটি বিশাল ডাটাবেস থেকে …

1
একটি সাধারণ স্ব-ড্রাইভিং আরসি গাড়িটির জন্য তদারকি করা শিখন বনাম রিইনফোর্সমেন্ট লার্নিং
আমি মজা করার জন্য একটি রিমোট-কন্ট্রোলড স্ব ড্রাইভিং গাড়ি তৈরি করছি। আমি চালিত কম্পিউটার হিসাবে একটি রাস্পবেরি পাই ব্যবহার করছি; এবং গাড়ির চারপাশে প্রতিক্রিয়া জানাতে আমি বিভিন্ন প্লাগ-ইন ব্যবহার করছি, যেমন একটি রাস্পবেরি পাই ক্যামেরা এবং দূরত্ব সেন্সর। আমি ভিডিও ফ্রেমগুলিকে টেনারগুলিতে পরিণত করতে ওপেনসিভি ব্যবহার করছি এবং আমি রাস্তার …

3
অজগরটির জন্য কি বাক্সের বাইরে খুব ভাল ভাষার মডেল রয়েছে?
আমি একটি অ্যাপ্লিকেশন প্রোটোটাইপ করছি এবং কিছু উত্পন্ন বাক্যগুলিতে বিভ্রান্তি গণনা করতে আমার একটি ভাষা মডেল প্রয়োজন। অজগরটিতে কি আমি সহজেই ব্যবহার করতে পারি এমন কোনও প্রশিক্ষিত ভাষার মডেল রয়েছে? কিছু সাধারণ মত model = LanguageModel('en') p1 = model.perplexity('This is a well constructed sentence') p2 = model.perplexity('Bunny lamp robert junior …
11 python  nlp  language-model  r  statistics  linear-regression  machine-learning  classification  random-forest  xgboost  python  sampling  data-mining  orange  predictive-modeling  recommender-system  statistics  dimensionality-reduction  pca  machine-learning  python  deep-learning  keras  reinforcement-learning  neural-network  image-classification  r  dplyr  deep-learning  keras  tensorflow  lstm  dropout  machine-learning  sampling  categorical-data  data-imputation  machine-learning  deep-learning  machine-learning-model  dropout  deep-network  pandas  data-cleaning  data-science-model  aggregation  python  neural-network  reinforcement-learning  policy-gradients  r  dataframe  dataset  statistics  prediction  forecasting  r  k-means  python  scikit-learn  labels  python  orange  cloud-computing  machine-learning  neural-network  deep-learning  rnn  recurrent-neural-net  logistic-regression  missing-data  deep-learning  autoencoder  apache-hadoop  time-series  data  preprocessing  classification  predictive-modeling  time-series  machine-learning  python  feature-selection  autoencoder  deep-learning  keras  tensorflow  lstm  word-embeddings  predictive-modeling  prediction  machine-learning-model  machine-learning  classification  binary  theory  machine-learning  neural-network  time-series  lstm  rnn  neural-network  deep-learning  keras  tensorflow  convnet  computer-vision 

2
সমবায় শক্তিবৃদ্ধি শিক্ষা
উপার্জন সর্বাধিকীকরণের লক্ষ্য নিয়ে গতিশীল মূল্যের সমস্যায় কাজ করা একক এজেন্টের জন্য ইতিমধ্যে আমার কার্যকারী বাস্তবায়ন রয়েছে। যাইহোক, আমি যে সমস্যার সাথে কাজ করছি সেগুলির মধ্যে বেশ কয়েকটি বিভিন্ন পণ্য জড়িত যা একে অপরের প্রতিস্থাপন, সুতরাং গতিশীলভাবে এগুলি সমস্তকে স্বাধীন শিক্ষানবিশদের সাথে মূল্য নির্ধারণ করা ভুল বলে মনে হয়, কারণ …

2
দাবাতে সাময়িক পার্থক্য কার্যকর করা
আমি একটি দাবা প্রোগ্রাম বিকাশ করছি যা আলফা-বিটা ছাঁটাই অ্যালগরিদম এবং একটি মূল্যায়ন ফাংশন ব্যবহার করে যা নিম্নোক্ত বৈশিষ্ট্যগুলি যেমন পদার্থ, কিংবদন্তি, গতিশীলতা, প্যাঁচা কাঠামো এবং আটকা পড়া টুকরো ইত্যাদির সাহায্যে অবস্থানগুলি মূল্যায়ন করে ..... ..... আমার মূল্যায়ন ফাংশনটি হ'ল থেকে প্রাপ্ত চ( পি ) = ডাব্লু1⋅ উপাদান + ডাব্লু2⋅ …

4
শক্তিবৃদ্ধি শেখার উপর বই
আমি বেশ কিছুদিন ধরেই রিইনফোর্সমেন্ট লার্নিং বোঝার চেষ্টা করছি তবে কোনওভাবেই গ্রিড ওয়ার্ল্ড সমস্যা সমাধানের জন্য কীভাবে রিইনফোর্সমেন্ট লার্নিংয়ের জন্য একটি প্রোগ্রাম লিখতে হবে তা কল্পনা করতে পারছি না। আপনি কি আমাকে এমন কিছু পাঠ্য বইয়ের পরামর্শ দিতে পারেন যা আমাকে শক্তিবৃদ্ধি শেখার একটি পরিষ্কার ধারণা তৈরি করতে সহায়তা করবে?

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.