Najbliższa optymalizacja polityki

uczeniu maszynowemu i eksploracji danych
Część serii poświęconej

Paradygmaty Nadzorowana nauka Uczenie się bez nadzoru Nauka online Uczenie się wsadowe Uczenie się częściowo nadzorowane Samonadzorowane uczenie się Uczenie się przez wzmacnianie
Problemy Klasyfikacja Regresja Grupowanie redukcja wymiarów oszacowanie gęstości Wykrywanie anomalii Czyszczenie danych AutoML Regulamin stowarzyszenia Ustrukturyzowane przewidywanie Inżynieria funkcji Uczenie się funkcji Nauka rankingu Indukcja gramatyczna
Uczenie się pod nadzorem ( klasyfikacja • regresja ) Drzewa decyzyjne Zespoły Parcianka Wzmocnienie Przypadkowy las k -NN Regresja liniowa Naiwny Bayes Sztuczne sieci neuronowe Regresja logistyczna Perceptron Maszyna wektorów istotności (RVM) Maszyna wektorów nośnych (SVM)
Grupowanie BRZOZOWY WYLECZYĆ Hierarchiczny k -oznacza Zamazany Oczekiwania – maksymalizacja (EM) DBSCAN OPTYKA Średnie przesunięcie
Redukcja wymiarowości Analiza czynników CSW ICA LDA NMF PCA PGD t-SN SDL
Ustrukturyzowane przewidywanie Modele graficzne Sieć Bayesa Warunkowe pole losowe Ukryty Markow
Wykrywanie anomalii RANSAC k -NN Lokalny czynnik odstający Izolacyjny las
Sztuczna sieć neuronowa Autoenkoder Obliczenia kognitywne Głęboka nauka Głęboki Sen Perceptron wielowarstwowy RNN LSTM GRU ESN obliczanie zbiorników Ograniczona maszyna Boltzmanna GAN SOM Konwolucyjna sieć neuronowa U-Net Wizja Transformatora Gwałtowna sieć neuronowa Memtranzystor Elektrochemiczna pamięć RAM (ECRAM)
Uczenie się przez wzmacnianie Q-uczenie się SARSA Różnica czasowa (TD) Samodzielna gra z wieloma agentami
Nauka z ludźmi Aktywne uczenie się Crowdsourcing Człowiek w pętli
Diagnostyka modeli Krzywa uczenia się
Teoria Maszyny jądra Kompromis odchylenia i wariancji Teoria uczenia się obliczeniowego Empiryczna minimalizacja ryzyka Uczenie się Ockhama Nauka PAK Uczenie się statystyczne Teoria VK
Miejsca uczenia maszynowego NeuroIPS ICML ICLR ML JMLR
Powiązane artykuły Słowniczek sztucznej inteligencji Lista zbiorów danych do badań nad uczeniem maszynowym Zarys uczenia maszynowego

Proximal Policy Optimization (PPO) to rodzina bezmodelowych algorytmów uczenia się przez wzmacnianie opracowana w OpenAI w 2017 roku. Algorytmy PPO to metody gradientu polityki , co oznacza, że przeszukują przestrzeń polityk, a nie przypisują wartości parom stan-akcja.

Algorytmy PPO mają pewne zalety algorytmów optymalizacji polityki regionu zaufania (TRPO), ale są prostsze w implementacji, bardziej ogólne i mają większą złożoność próbki. Dokonuje się tego za pomocą innej funkcji celu.

Zobacz też

Linki zewnętrzne

Kategorie:

Bliższa optymalizacja polityki

Zobacz też

Linki zewnętrzne