详细内容或原文请订阅后点击阅览
强化学习变得简单：在Python中建立Q学习代理
受到Alphago的Move 37的启发 - 了解代理如何探索，利用和Win The Post Post Forwsworce学习变得简单：在Python中建立Q学习代理商首先出现在数据科学方面。
来源:走向数据科学，GO世界冠军Lee Sedol面对一个不是由血液和血液制成的对手，而是由代码线制成。 很快就显而易见的是人类迷路了。 最后，Lee Sedol输了4：1。 上周，我再次观看了纪录片Alphago，并再次发现它令人着迷。 关于它的可怕事情吗？ Alphago并未从数据库，规则或策略书籍中获得游戏风格。 相反，它已经对抗了数百万次，并学会了如何在此过程中获胜。 在第2场比赛中移动37是全世界理解的那一刻：这个人工智能不像人类那样发挥作用 - 它的表现更好。 Alphago结合了监督的学习，强化学习和搜索。一个令人着迷的部分是，它的策略来自通过对抗自身的学习而出现的 - 使用强化学习随着时间的流逝而改善。 现在，我们不仅在游戏中，而且在能源优化的机器人（例如抓地力武器或家用机器人）中使用强化学习，例如为了减少数据中心或交通控制的能源消耗，例如通过交通信号灯优化。 以及在现代代理商中，我们现在使用大型语言模型以及强化学习（例如，从人类反馈中学习的强化学习），以使Chatgpt，Claude或Gemini的反应更像人性化。 在本文中，我将确切地向您展示它的工作原理，以及我们如何使用简单游戏更好地理解该机制：TIC TAC TOE。 什么是强化学习？ 当我们观察一个婴儿学习走路时，我们会看到：它站起来，跌倒，再次尝试 - 在某个时候迈出了第一步。 没有老师向婴儿展示如何做。取而代之的是，婴儿通过反复试验尝试行走不同的动作。 当它可以站立或走几步时，这是婴儿的奖励。毕竟，它的目标是能够行走。如果掉下来，就没有回报。 试验，错误和奖励的学习过程是强化学习（RL）的基本思想。 RL代理如何思考，决定和学习
，GO世界冠军Lee Sedol面对一个不是由血液和血液制成的对手，而是由代码线制成。
很快就显而易见的是人类迷路了。
最后，Lee Sedol输了4：1。
上周，我再次观看了纪录片Alphago，并再次发现它令人着迷。
关于它的可怕事情吗？ Alphago并未从数据库，规则或策略书籍中获得游戏风格。
相反，它已经对抗了数百万次，并学会了如何在此过程中获胜。
在第2场比赛中移动37是全世界理解的那一刻：这个人工智能不像人类那样发挥作用 - 它的表现更好。
Alphago结合了监督的学习，强化学习和搜索。一个令人着迷的部分是，它的策略来自通过对抗自身的学习而出现的 - 使用强化学习随着时间的流逝而改善。
现在，我们不仅在游戏中，而且在能源优化的机器人（例如抓地力武器或家用机器人）中使用强化学习，例如为了减少数据中心或交通控制的能源消耗，例如通过交通信号灯优化。
以及在现代代理商中，我们现在使用大型语言模型以及强化学习（例如，从人类反馈中学习的强化学习），以使Chatgpt，Claude或Gemini的反应更像人性化。
在本文中，我将确切地向您展示它的工作原理，以及我们如何使用简单游戏更好地理解该机制：TIC TAC TOE。
什么是强化学习？
当我们观察一个婴儿学习走路时，我们会看到：它站起来，跌倒，再次尝试 - 在某个时候迈出了第一步。
没有老师向婴儿展示如何做。取而代之的是，婴儿通过反复试验尝试行走不同的动作。
当它可以站立或走几步时，这是婴儿的奖励。毕竟，它的目标是能够行走。如果掉下来，就没有回报。