強化学習（Reinforcement Learning） のバックアップ(No.13)

[ トップ ]   [ 新規 | 一覧 | 単語検索 | 最終更新 | ヘルプ ]

• バックアップ一覧
• 差分 を表示
• 現在との差分 を表示
• ソース を表示
• 強化学習（Reinforcement Learning） へ行く。
  • 1 (2023-04-04 (火) 16:09:24)
  • 2 (2023-04-04 (火) 16:12:54)
  • 3 (2023-07-06 (木) 15:27:20)
  • 4 (2024-05-15 (水) 12:19:01)
  • 5 (2024-05-15 (水) 23:10:51)
  • 6 (2024-05-17 (金) 15:10:16)
  • 7 (2024-05-22 (水) 12:49:20)
  • 8 (2024-05-27 (月) 21:32:03)
  • 9 (2024-05-28 (火) 13:59:08)
  • 10 (2024-06-10 (月) 11:21:32)
  • 11 (2024-06-10 (月) 15:01:38)
  • 12 (2024-06-10 (月) 22:17:50)
  • 13 (2024-09-18 (水) 16:35:30)

---

「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。

• 戻る（人工知能（AI）
  • 機械学習（machine learning）
  • 深層学習（deep learning）
  • 強化学習（Reinforcement Learning）
  • 生成系AI（Generative AI）

目次 †

概要 †

詳細 †

強化学習 †

• 価値ベース
  • 多腕バンディット問題​
  • 動的計画法​
  • モンテカルロ法​
  • TD法系​
    • TD法​
    • Q学習​
    • SARSA

• 方策ベース
  • 方策勾配法

深層強化学習 †

• 価値ベース
  • DQN

• 方策ベース
  • Actor-Critic​
  • A3C​

参考 †

• 深層学習についてのレポート（強化学習、深層強化学習）
  https://www.osscons.jp/joy1y64w3-537/#_537

YouTube? †

AIcia Solid Project †

再生リスト 強化学習の探検 - YouTube?
https://www.youtube.com/playlist?list=PLhDAH9aTfnxI1OywfnxXCDTWGtYL2NxJR

データサイエンス研究所 †

再生リスト 強化学習 - YouTube?
https://www.youtube.com/playlist?list=PL7BUpEjz_maQjfwIhAzkwxaLYIecfN7QP

ゼロから作るDeep Learning †

• 強化学習編
  https://www.oreilly.co.jp/books/9784873119755/

サンプル †

https://github.com/oreilly-japan/deep-learning-from-scratch-4

• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch01
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch02
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch03
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch04
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch05
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch06
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch07
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/ch08
• https://github.com/oreilly-japan/deep-learning-from-scratch-4/tree/master/notebooks

その他、参考 †

• ゼロつく4 - からっぽのしょこ【ゼロつく4のノート】
  https://www.anarchive-beta.com/archive/category/%E6%94%BB%E7%95%A5%E3%83%8E%E3%83%BC%E3%83%88-%E3%82%BC%E3%83%AD%E3%81%A4%E3%81%8F4

• 1章 バンディット問題
  • 1.2：バンディット問題
    https://www.anarchive-beta.com/entry/2022/05/01/180000
  • 1.4.1：スロットマシンの実装
    https://www.anarchive-beta.com/entry/2022/05/02/180000
  • 1.4.2：エージェントの実装
    https://www.anarchive-beta.com/entry/2022/05/03/180000
  • 1.4.3-4：バンディット問題の学習
    https://www.anarchive-beta.com/entry/2022/05/04/180000
  • 1.5.0：非定常問題のスロットマシンの実装
    https://www.anarchive-beta.com/entry/2022/05/05/180000
  • 1.5.1：非定常問題のエージェントの実装
    https://www.anarchive-beta.com/entry/2022/05/06/180000
  • 1.5.2：非定常バンディット問題の学習
    https://www.anarchive-beta.com/entry/2022/05/07/180000

• 2章 マルコフ決定過程
  • 2.2：環境とエージェントの定式化
    https://www.anarchive-beta.com/entry/2022/05/18/180000
  • 2.3：収益と状態価値関数
    https://www.anarchive-beta.com/entry/2022/05/19/180000

• 3章 ベルマン方程式
  • 3.1.1：報酬の期待値計算
    https://www.anarchive-beta.com/entry/2022/05/20/180000
  • 3.1.2：状態価値関数のベルマン方程式の導出
    https://www.anarchive-beta.com/entry/2022/05/21/180000
  • 3.2.1：状態価値関数のベルマン方程式の例
    https://www.anarchive-beta.com/entry/2022/05/22/180000
  • 3.3.1：行動価値関数
    https://www.anarchive-beta.com/entry/2022/05/25/180000
  • 3.3.2：行動価値関数のベルマン方程式の導出
    https://www.anarchive-beta.com/entry/2022/05/26/180000
  • 3.4：ベルマン最適方程式
    https://www.anarchive-beta.com/entry/2022/05/27/180000
  • 3.5.1：ベルマン最適方程式の適用
    https://www.anarchive-beta.com/entry/2022/05/28/180000
  • 3.5.2：最適方策
    https://www.anarchive-beta.com/entry/2022/05/29/180000

• 4章 動的計画法
  • 4.1：動的計画法と方策評価
    https://www.anarchive-beta.com/entry/2022/06/03/190000
  • 4.2.1：GridWorld?クラスの実装：評価と改善に関するメソッド
    https://www.anarchive-beta.com/entry/2022/06/05/190000
  • 4.2.1：GridWorld?クラスの実装：可視化に関するメソッド
    https://www.anarchive-beta.com/entry/2022/10/24/190000
  • 4.2.3：反復方策評価の実装
    https://www.anarchive-beta.com/entry/2022/06/07/190000
  • 4.3：方策反復法
    https://www.anarchive-beta.com/entry/2022/06/08/190000
  • 4.4：方策反復法の実装
    https://www.anarchive-beta.com/entry/2022/06/09/190000
  • 4.5.1：価値反復法の導出
    https://www.anarchive-beta.com/entry/2022/06/10/190000
  • 4.5.2：価値反復法の実装
    https://www.anarchive-beta.com/entry/2022/06/11/190000

• 5章 モンテカルロ法
  • 5.2：モンテカルロ法による方策評価
    https://www.anarchive-beta.com/entry/2022/10/25/190000
  • 5.3：モンテカルロ法による方策評価の実装
    https://www.anarchive-beta.com/entry/2022/10/26/190000
  • 5.4.1-2：モンテカルロ法による方策制御の実装
    https://www.anarchive-beta.com/entry/2022/10/27/190000
  • 5.4.3-5：モンテカルロ法による方策反復法の実装
    https://www.anarchive-beta.com/entry/2022/10/28/190000
  • 5.5：重点サンプリング
    https://www.anarchive-beta.com/entry/2022/11/02/190000
  • 付録A：方策オフ型のモンテカルロ法
    https://www.anarchive-beta.com/entry/2022/11/03/190000

• 6章 TD法
  • 6.1：TD法による方策評価
    https://www.anarchive-beta.com/entry/2022/11/08/193000
  • 6.2：SARSA
    https://www.anarchive-beta.com/entry/2022/11/09/193000
  • 6.3：方策オフ型のSARSA
    https://www.anarchive-beta.com/entry/2022/11/10/193000
  • 6.4：Q学習
    https://www.anarchive-beta.com/entry/2022/11/11/193000
  • 6.5：サンプルモデル版のQ学習
    https://www.anarchive-beta.com/entry/2022/11/12/193000

• 7章 ニューラルネットワークとQ学習
  • 7.1.3：勾配降下法
    https://www.anarchive-beta.com/entry/2022/11/13/193000
  • 7.2：線形回帰
    https://www.anarchive-beta.com/entry/2022/11/14/193000
  • 7.3.1-3：ニューラルネットワーク
    https://www.anarchive-beta.com/entry/2022/11/15/193000
  • 7.3.5：オプティマイザ(最適化手法)
    https://www.anarchive-beta.com/entry/2022/11/16/193000
  • 7.4：Q学習とニューラルネットワーク
    https://www.anarchive-beta.com/entry/2022/11/17/193000

• 8章 DQN
  • 8.1：OpenAI Gym：Classic Control
    https://www.anarchive-beta.com/entry/2022/11/22/180000
  • 8.2：DQNのコア技術
    https://www.anarchive-beta.com/entry/2022/11/26/200000

     

Site admin: TechInfoOfMicrosoftTech

PukiWiki 1.4.7 Copyright © 2001-2006 PukiWiki Developers Team. License is GPL.
Based on "PukiWiki" 1.3 by yu-ji. Powered by PHP 5.3.3. HTML convert time: 0.029 sec.