প্রশ্ন ট্যাগ «multiarmed-bandit»

সর্বাধিক সুপরিচিত ডাকাত অ্যালগরিদম হ'ল আপার কনফিডেন্স বাউন্ড (ইউসিবি) যা এই শ্রেণীর অ্যালগরিদমকে জনপ্রিয় করেছে। সেই থেকে আমি ধারণা করছি এখন আরও ভাল অ্যালগরিদম আছে। বর্তমানের সেরা অ্যালগরিদম কী (উভয় ক্ষেত্রে অভিজ্ঞতামূলক পারফরম্যান্স বা তাত্ত্বিক সীমার ক্ষেত্রে)? এই অ্যালগরিদম কি কোনও অর্থে অনুকূল?

27 machine-learning  algorithms  theory  reinforcement-learning  multiarmed-bandit 

মাল্টি-আর্ম দস্যুরা এমন পরিস্থিতিতে ভাল কাজ করে যেখানে আপনার পছন্দ আছে এবং আপনি নিশ্চিত নন যে কোনটি আপনার মঙ্গলকে সর্বাধিক বাড়িয়ে তুলবে। কিছু বাস্তব জীবনের পরিস্থিতিতে আপনি অ্যালগরিদম ব্যবহার করতে পারেন। উদাহরণস্বরূপ, শেখা একটি ভাল ক্ষেত্র হতে পারে: যদি কোনও বাচ্চা ছুতের কাজ শিখতে থাকে এবং সে এতে খারাপ হয় …

15 algorithms  reinforcement-learning  multiarmed-bandit 

একটি প্রাসঙ্গিক-দস্যু সমস্যা সমাধানের জন্য আমি স্বরযুক্ত ওয়াবিট ব্যবহার করছি । আমি ব্যবহারকারীদের বিজ্ঞাপন প্রদর্শন করছি, এবং বিজ্ঞাপনটি যে প্রসঙ্গে দেখানো হয়েছে (যেমন ব্যবহারকারী ব্যবহারকারী, তারা কোন সাইটে আছেন ইত্যাদি) সম্পর্কে আমার কাছে যথেষ্ট তথ্য রয়েছে। জন ল্যাংফোর্ডের বর্ণনা অনুসারে এটি একটি দুর্দান্ত ক্লাসিক প্রাসঙ্গিক দস্যু সমস্যা বলে মনে হচ্ছে …

14 multinomial  gradient-descent  multiarmed-bandit  vowpal-wabbit  contextual-bandit 

আমি থম্পসন স্যাম্পলিং এবং এটি কীভাবে কাজ করে তা বুঝতে অক্ষম । আমি মাল্টি আর্ম ব্যান্ডিট সম্পর্কে পড়ছিলাম এবং উচ্চ আত্মবিশ্বাসের বাউন্ড অ্যালগরিদম পড়ার পরে, অনেক পাঠ্যে পরামর্শ দেওয়া হয়েছিল যে থম্পসন স্যাম্পলিং ইউসিবির চেয়ে আরও ভাল অভিনয় করে। থম্পসন স্যাম্পলিং সাধারণ ব্যক্তির বা সাধারণ ভাষায় কী? আরও বোঝার জন্য …

14 machine-learning  definition  multiarmed-bandit 

আমি এন সশস্ত্র ডাকাত সমস্যা সমাধানের জন্য আলগোরিদিম একটি সংখ্যা সম্পর্কে পড়েছি -greedy, softmax এবং UCB1, কিন্তু আমি কিছু কষ্ট কি পদ্ধতির খেদ কমানোর জন্য সবচেয়ে ভাল হয় মাধ্যমে বাছাই হচ্ছে।εε\epsilon এন-সশস্ত্র ডাকাত সমস্যা সমাধানের জন্য কি কোনও সর্বোত্তম অ্যালগরিদম রয়েছে? অনুশীলনে সেরা অভিনয় বলে মনে হচ্ছে এমন কোনও অ্যালগরিদমের …

13 machine-learning  reinforcement-learning  multiarmed-bandit 

আমি একটি বহু-সশস্ত্র ডাকাত সমস্যা নিয়ে কাজ করছি যেখানে আমাদের পুরষ্কার বিতরণ সম্পর্কে কোনও তথ্য নেই। আমি অনেকগুলি কাগজপত্র পেয়েছি যা জ্ঞাত বাউন্ডের সাথে বিতরণ করার জন্য এবং [0,1] সমর্থন সহ সাধারণ বিতরণের জন্য আক্ষেপের গ্যারান্টির গ্যারান্টি দেয়। আমি সন্ধান করতে চাই যে এমন পরিবেশে ভাল পারফর্ম করার কোনও উপায় …

11 references  multiarmed-bandit