Sutton & Barto Book: Reinforcement Learning: An Introduction
Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto Second Edition (see here for the first edition) MIT Press, Cambridge, MA, 2018 Buy from Amazon Errata and Notes Full Pdf Without Margins Code Solutions -- send in your solutions for a chapter, get the official ones back (currently incomplete) Slides and Other Teaching Aids Links to pdfs of the literature sources cited i
深層強化学習アルゴリズムまとめ
はじめに 深層強化学習の分野では日進月歩で新たなアルゴリズムが提案されています. それらを学ぶ上で基礎となるアルゴリズム(というより概念に近い？)はQ学習, SARSA, 方策勾配法, Actor-Criticの4つだと思われるので, これらを軸としてまとめてみたいと思います. 以下の4点はあらかじめご了承ください. コードは書いていません. 概念のみの説明です 他のアルゴリズムの基礎となりうる重要な概念については詳しく書きました. その他については簡潔に書きました 深層学習についてはある程度理解している読者を想定しています 書いているうちに規模がどんどん大きくなってしまったので, どこかに必ず間違いや不足があります. 「この式がおかしい！」「このアルゴリズムも追加するべき！」などコメントがあればぜひお願いします 全体像 扱うアルゴリズムを相関図にしてみました(私のイメージです). まず,
「AlphaGo Zero」──ビッグデータ不要のAI棋士が自己対局のみで世界最強に
米Alphabet傘下のDeepMindは10月18日（現地時間）、過去の試合データを使わず、自己対局のみでスキルアップする新囲碁AI「AlphaGo Zero」を発表した。生まれてから40日後には、5月に世界最強棋士、柯潔（カ・ケツ）九段を破った「AlphaGo Master」に完勝し、世界最強棋士になった。 AlphaGo Zeroに囲碁のルール以外をいっさい与えず、強化学習式で自分自身と対戦させたところ、最初は初心者のような対局を行っていたが、3日目には韓国のプロ棋士・李世ドル氏を破った初代AlphaGoに100対0で勝ち、40日目には5月の引退後も成長していた最新版AlphaGoにも完勝した。 また、AlphaGo Zeroは1つのニューラルネットワークしか使わないなど、これまでのバージョンより省力化しており、李世ドル氏を破ったAlphaGoは48個のTPUが必要だったのに対し、わ
Reinforcement Learning: An Introduction
The MIT Press Cambridge, Massachusetts London, England
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
