机器学习方法及应用课件 第8章 强化学习.pptxVIP

第8章

强化学习

ReinforcementLearning

1.强化学习概述

2.马尔可夫决策过程

3.Q-Learning算法

4.强化学习应用

5.强化学习案例分析

6.本章小结及习题

00目录

有监督学习

强化学习

数据类型

静态的标签数据（输入x→输出y的成对样本）

动态的交互数据（状态s→动作a→奖励r的序列）

数据来源

预先收集、固定的历史数据集

由人类专家或特定过程进行标注

智能体与环境实时交互生成

数据在智能体“实践”的过程中持续产生

优化目标

找到一个最优的模型函数，使其在训练集上最小化一个给定的损失函数，追求预测与真实标签的差异最小

最大化智能体策略在和动态环境交互过程中的价值，

追求长期获得的累计奖励最大

表示

01强化学习概述

l强化学习定义

强化学习是机器学习的一个分支，与传统的机器学习方法不同，需要对情景及恰当的决策之间进行搜索，根据反馈对这种搜索策略进行奖罚，是一种序列多步决策问题。

智能体通过与环境的持续交互，学习最优决策策略，最终实现长期累积奖励最大化的目标。它模拟了人类学习的过程，通过尝试和错误，最终找到解决问题的最佳方法。

l有监督学习VS强化学习

l发展历史

1954年，Minsky首次提出“强化”和“强化学习”的概念和术语。

1957年，Bellman首次提出了离散时间马尔可夫决策过