প্রশ্ন ট্যাগ «reinforcement-learning»

কৃত্রিম বুদ্ধিমত্তা ওয়েবসাইট নীতির হিসাবে অফ-পলিসি এবং অন-পলিসি শিক্ষার সংজ্ঞা দেয়: "একজন অফ-পলিসি লার্নার এজেন্টের ক্রিয়াকলাপের থেকে স্বতন্ত্র নীতিমালার মান শিখতে পারে Q । " আমি এই বিষয়ে আপনার স্পষ্টতা জিজ্ঞাসা করতে চাই, কারণ তারা আমার সাথে কোনও পার্থক্য করে বলে মনে হয় না। উভয় সংজ্ঞা দেখতে অভিন্ন বলে মনে …

78 machine-learning  reinforcement-learning  artificial-intelligence 

আমি নিজেকে শক্তিবৃদ্ধি শেখার বিষয়ে শিক্ষা দিচ্ছি, এবং ছাড়ের পুরষ্কারের ধারণাটি বোঝার চেষ্টা করছি। সুতরাং পুরষ্কারটি সিস্টেমকে জানাতে প্রয়োজনীয় যে-স্টেট-অ্যাকশন জোড়া ভাল এবং কোনটি খারাপ। তবে আমি যা বুঝতে পারি না তা ছাড় ছাড়ের পুরষ্কার কেন দরকার। পরবর্তীকালের চেয়ে খুব শীঘ্রই একটি ভাল রাষ্ট্র পৌঁছাচ্ছে কিনা তা কেন বিবেচিত হবে? …

43 machine-learning  reinforcement-learning 

কম্পিউটারগুলি দীর্ঘকাল ধরে "ব্রুট-ফোর্স" -টেকনিউক ব্যবহার করে দাবা খেলতে সক্ষম হয়েছে, একটি নির্দিষ্ট গভীরতার সন্ধান করছে এবং তারপরে অবস্থানটি মূল্যায়ন করবে। আলফাগো কম্পিউটার তবে পজিশনগুলি মূল্যায়নের জন্য কেবল একটি এএনএন ব্যবহার করে (যতদূর আমি জানি এটি কোনও গভীরতা-অনুসন্ধান করে না)। আলফাগো গো যেভাবে খেলেন তেমনভাবে দাবা খেলতে এমন একটি দাবা …

32 neural-networks  deep-learning  reinforcement-learning  games 

আমি " ইন রিইনফোর্সমেন্ট লার্নিং এ। একটি পরিচিতি " -এ নীচের সমীকরণটি দেখছি , তবে নীচের নীলে আমি যে পদক্ষেপটি তুলে ধরেছি তা পুরোপুরি অনুসরণ করবেন না। এই পদক্ষেপটি ঠিক কীভাবে উত্পন্ন?

32 expected-value  reinforcement-learning 

তত্ত্বাবধান শেখা 1) একজন ইনপুট এবং আউটপুট ডেটার উপর ভিত্তি করে একটি শ্রেণিবদ্ধ তৈরি করে 2) এই শ্রেণিবদ্ধকারী ডেটা একটি প্রশিক্ষণ সেট সঙ্গে প্রশিক্ষিত হয় 3) যে শ্রেণিবদ্ধকারী তথ্য পরীক্ষার সেট দিয়ে পরীক্ষা করা হয় 4) আউটপুট সন্তোষজনক হলে স্থাপনা যখন এই ডেটাটিকে শ্রেণিবদ্ধ করতে হয় তা আমি যখন জানতাম …

30 machine-learning  unsupervised-learning  supervised-learning  reinforcement-learning 

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 

আমি সময় সিরিজ বিশ্লেষণ করার চেষ্টা করছি এবং এই ক্ষেত্রে নতুন। আমার 2006-2009-এর একটি ইভেন্টের দৈনিক গণনা রয়েছে এবং আমি এটিতে একটি টাইম সিরিজের মডেল ফিট করতে চাই। আমি যে অগ্রগতি করেছি তা এখানে: timeSeriesObj = ts(x,start=c(2006,1,1),frequency=365.25) plot.ts(timeSeriesObj) আমি প্রাপ্ত ফলাফলের প্লটটি হ'ল: ডেটাতে seasonতু এবং ট্রেন্ড আছে কিনা তা …

25 r  time-series  seasonality  multiple-seasonalities  tbats  hypothesis-testing  beta-distribution  machine-learning  unsupervised-learning  supervised-learning  reinforcement-learning 

খুব বেশি অ্যাংরি পাখি খেলার পরে, আমি নিজের কৌশলগুলি পর্যবেক্ষণ করতে শুরু করেছি। দেখা যাচ্ছে যে আমি প্রতিটি স্তরে 3 তারা পাওয়ার জন্য খুব নির্দিষ্ট পদ্ধতির বিকাশ করেছি। এটি অ্যাগ্রি পাখি খেলতে সক্ষম হবে এমন একটি মেশিন লার্নিং সিস্টেম বিকাশের চ্যালেঞ্জগুলি সম্পর্কে আমাকে অবাক করে দিয়েছে। গেমটির সাথে ইন্টারঅ্যাক্ট করা …

22 machine-learning  reinforcement-learning 

আমি সম্প্রতি "পুনরাবৃত্তি পুনর্বহাল শেখা" শব্দটি পেয়েছি। আমি "পুনরাবৃত্ত নিউরাল নেটওয়ার্ক" কী এবং "রিইনফোর্সমেন্ট লার্নিং" কী তা বুঝতে পেরেছি, তবে "পুনরুত্পূর্ণ শক্তিবৃদ্ধি শিক্ষা" কী তা সম্পর্কে খুব বেশি তথ্য খুঁজে পাইনি। কেউ আমাকে ব্যাখ্যা করতে পারেন যে "পুনরুক্ত পুনর্বহাল শেখা" কী এবং "পুনরুক্ত পুনর্বহাল শেখা" এবং কিউ-লার্নিং অ্যালগরিদমের মতো সাধারণ …

20 machine-learning  reinforcement-learning 

সরসা এবং কিউ লার্নিং উভয়ই রিইনফোর্সমেন্ট লার্নিং অ্যালগরিদম যা একইভাবে কাজ করে। সর্বাধিক আকর্ষণীয় পার্থক্য হ'ল কিউ লার্নিং অফ পলিসি বন্ধ থাকাকালীন সরসা নীতিতে রয়েছে। আপডেটের নিয়মগুলি নিম্নরূপ: প্রশ্ন লার্নিং: Q(st,at)←Q(st,at)+α[rt+1+γmaxa′Q(st+1,a′)−Q(st,at)]Q(st,at)←Q(st,at)+α[rt+1+γmaxa′Q(st+1,a′)−Q(st,at)]Q(s_t,a_t)←Q(s_t,a_t)+α[r_{t+1}+γ\max_{a'}Q(s_{t+1},a')−Q(s_t,a_t)] SARSA: Q(st,at)←Q(st,at)+α[rt+1+γQ(st+1,at+1)−Q(st,at)]Q(st,at)←Q(st,at)+α[rt+1+γQ(st+1,at+1)−Q(st,at)]Q(s_t,a_t)←Q(s_t,a_t)+α[r_{t+1}+γQ(s_{t+1},a_{t+1})−Q(s_t,a_t)] যেখানে st,atst,ats_t,\,a_t এবং rtrtr_t সময় পদে পদে রাষ্ট্র, কর্ম ও পুরস্কার হয় ttt এবং γγ\gamma একটি ডিসকাউন্ট …

19 reinforcement-learning 

আটারি ভিডিও গেমসের জন্য ডিপ কিউ-লার্নিংয়ের ডিপমাইন্ডের গবেষণাপত্রে ( এখানে ), তারা প্রশিক্ষণের সময় অনুসন্ধানের জন্য একটি অ্যাপসিলন-লোভী পদ্ধতি ব্যবহার করে। এর অর্থ হ'ল প্রশিক্ষণে কোনও ক্রিয়া বাছাই করা হয়, এটি হয় হয় সর্বাধিক Q-মান, বা একটি এলোমেলো ক্রিয়া সহ ক্রিয়া হিসাবে বেছে নেওয়া হয়। এই দুটিয়ের মধ্যে নির্বাচন করা …

18 machine-learning  reinforcement-learning  q-learning  deep-rl 

রিইনফোর্সমেন্ট লার্নিং অধ্যয়ন করার সময়, আমি পুরষ্কারের ফাংশনটির অনেকগুলি রূপ নিয়ে এসেছি: , আর ( গুলি , এ , এস ′ ) , এমনকি এমন একটি পুরষ্কারের কাজ যা কেবলমাত্র বর্তমান অবস্থার উপর নির্ভর করে। এটি বলার পরে, আমি বুঝতে পেরেছিলাম যে একটি পুরষ্কার ফাংশন 'তৈরি' বা 'সংজ্ঞায়িত' করা খুব …

18 machine-learning  reinforcement-learning 

প্রশ্নপত্রটি কি-লার্নিংয়ের নামে কেন বেছে নেওয়া হয়েছিল? সর্বাধিক অক্ষর যেমন একটি সমাহার হিসেবে নির্বাচিত করা হয় নীতি এবং জন্য স্থায়ী বনাম মান জন্য দাঁড়িয়েছে। তবে আমি মনে করি না যে প্রশ্নটি কোনও শব্দের সংক্ষেপণ।ππ\pivvv

17 terminology  reinforcement-learning  history  q-learning 

দেখে মনে হচ্ছে তত্ত্বাবধানের শিক্ষার সংজ্ঞাটি একটি বিশেষ ধরণের পুরষ্কার ফাংশন সহ শক্তিবৃদ্ধি শেখার একটি উপসেট যা লেবেলযুক্ত ডেটা (পরিবেশের অন্যান্য তথ্যের বিপরীতে) এর উপর ভিত্তি করে with এটি কি সঠিক চিত্রায়ন?

16 machine-learning  terminology  reinforcement-learning  supervised-learning  definition 

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