《Python數(shù)據(jù)挖掘與機器學習實戰(zhàn)》—1.3.3 強化學習

1.3.3? 強化學習

強化學習（Reinforcement Learning）是帶有激勵機制的，具體來說，如果機器行動正確，將施予一定的“正激勵”；如果行動錯誤，同樣會給出一個懲罰（也可稱為“負激勵”）。因此在這種情況下，機器將會考慮如何在一個環(huán)境中行動才能達到激勵的最大化，具有一定的動態(tài)規(guī)劃思想。例如在貪吃蛇游戲中，貪吃蛇需要通過不斷吃到“食物”來加分。為了不斷提高分數(shù)，貪吃蛇需要考慮在自身位置上如何轉向才能吃到“食物”，這種學習過程便可理解為一種強化學習。強化學習最為火熱的一個應用就是谷歌AlphaGo的升級品——AlphaGo Zero。相較于AlphaGo，AlphaGo Zero舍棄了先驗知識，不再需要人為設計特征，直接將棋盤上黑、白棋子的擺放情況作為原始數(shù)據(jù)輸入到模型中，機器使用強化學習來自我博弈，不斷提升自己從而最終出色完成下棋任務。AlphaGo Zero的成功，證明了在沒有人類的經驗和指導下，深度強化學習依然能夠出色地完成指定任務。

數(shù)據(jù)挖掘 Python 機器學習

版權聲明：本文內容由網(wǎng)絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內刪除侵權內容。

版權聲明：本文內容由網(wǎng)絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內刪除侵權內容。