详细内容或原文请订阅后点击阅览

使用 Python 的机器人技术：Q-Learning、Actor-Critic 与进化算法

2025年11月13日 16:56 33 Comments
X Twitter Instagram Mail

为您的 RL 机器人构建自定义 3D 环境Python 机器人学：Q-Learning vs Actor-Critic vs Evolutionary Algorithms 帖子首先出现在 Towards Data Science 上。

来源:走向数据科学

机器学习有四种类型：

    Supervised — 当数据集中的所有观测值都标记有目标变量时，您可以执行回归/分类来学习如何预测它们。Unsupervised — 当没有目标变量时，因此您可以执行聚类来对数据进行分割和分组。Semi-Supervised — 当目标变量不完整时，因此模型也必须学习如何预测未标记的数据。在这种情况下，使用监督和无监督模型的混合。强化 ——当有奖励而不是目标变量时，你不知道最好的解决方案是什么，所以这更多的是一个达到特定目标的反复试验的过程。
  • Supervised — 当数据集中的所有观测值都标有目标变量时，您可以执行回归/分类来学习如何预测它们。
    • 监督 回归 分类
  • 无监督 — 当没有目标变量时，可以进行聚类，对数据进行分割和分组。
    • 无监督 聚类
  • 半监督 — 当目标变量不完整时，因此模型还必须学习如何预测未标记的数据。在这种情况下，混合使用有监督和无监督模型。
    • 半监督
  • 强化 — 当有奖励而不是目标变量时，你不知道最好的解决方案是什么，所以这更多的是一个达到特定目标的反复试验的过程。
    • 加固

    更准确地说，强化学习研究人工智能如何在交互式环境中采取行动以最大化奖励。在监督训练期间，您已经知道正确的答案（目标变量），并且您正在拟合一个模型来复制它。相反，在强化学习问题中，你事先不知道正确答案是什么，唯一的方法是采取行动并获得反馈（奖励），因此模型通过探索和犯错误来学习。

    强化学习 训练机器人 算法

    设置

    环境 操作 离散 连续 健身房
    强化 采取行动 标记的 环境 机器人 聚类 试验的 监督 数据 学习 训练期 反复试验 最大化 模型的 算法 目标的 知道 分类 正确的 更多的 目标变量 集中的 奖励 人工智能 最好的 观测 Supervised 机器学习 交互式 观测值 数据集 唯一的 模型 监督训练