从Google的alphago以绝对优势接连战胜人类围棋中的佼佼者(李世石, 柯洁)之后，这总结果当然是震撼的，从此人工智能声名大噪。但是纵使目前能使机器智力超...

DDPG（deep deterministic policy gradient），深度确定性策略梯度算法。

回顾上文中的DDPG，DDPG是源于DQN，它使用神经网络替换maxQ(s',a')的功能来解决连续空间问题。也就是说DDPG的Actor网络输出的是一个动作，...

最近了解了强化学习方面的知识，准备进行下整理和总结。本文先介绍强化学习中一些基础概念。

gym是openAI下的一个开发和对比强化学习算法的工具包，内部提供了强化学习需要的环境。

上文我们已经理解强化学习的基础概念以及其目标是找到一个策略 最大化未来累计奖励。同时介绍了几种常用的寻找最优策略的方法。在强化学习中还会将这些方法分...

上文我们介绍了使用简单的Random Guessing Algorithm & Hill Climbing 算法来解决CartPole问题，主要在决策动作这个步...

OpenAI用DOTA团战的强化学习算法，教会这只12万美元机械手转方块栗子 夏乙 发自 凹非寺量子位 报道 | 公众号 QbitAI五根手指、24个关节，这只机械手从结构到大小，方方面面都像极了人类的手。在OpenAI的实验室里，它

StarCraft包括Macromanagement和Micromanagement。其中macro包括宏观和微观的操作，是选手级别的，目的在于赢得完整的比赛胜利；而micro仅包含微观的操作，用于训练和验证marl算法。SMAC基于的是StarCraftIILearningEnvironment(PySC2)和StarCraftII的API搭建的平台，PySC2和S

 视频课件位置：https://gitee.com/qiangchen_sh/stock-predictionree/master/引用baseline来源：https://github.com/huseinzol05/Stock-Prediction-Models（强烈推荐） 整体大纲内容。1深度学习作金融数据分析目标：数据+代码实战（Pytorch、TensorFlow）模型：XBoost、LSTM、Reinforcem

主要根据B站上王树森强化学习的课程整理而成，也看了一些博主的博客，主要是方便自己回顾，加强学习理解。  主要博客和网址：强化学习https://www.cnblogs.com/kailugaji/p/15354491.html强化学习总结 https://www.cnblogs.com/steven-yang/p/6649213.html动态规划 https:/

Flex学习一Flex布局是什么？Flex是FlexibleBox的缩写，意为"弹性布局"，用来为盒状模型提供最大的灵活性。任何一个容器都可以指定为Flex布局。.box{display:flex;}行内元素也可以使用Flex布局。.box{display:inline-flex;}Webkit内核的浏览器，必须加上-we

GitHub地址：https://github.com/PacktPublishing/Hands-On-Reinforcement-Learning-with-Python

人工智能是21世纪最激动人心的技术之一。人工智能，就是像人一样的智能，而人的智能包括感知、决策和认知(从直觉到推理、规划、意识等)。其中，感知解决what，深度学习已经超越人类水平；决策解决how，强化学习在游戏和机器人等领域取得了一定效果；认知解决why，知识图谱、因果推理、持续学

这个教程参考的是百度PaddlePaddle的RL系列教程：https://aistudio.baidu.com/aistudio/projectdetail/1445501背景介绍第一章节属于基础内容，第二课的数学知识总结的很好1.开始1.1概念认识1.1.1强化学习vs其他强化学习与监督学习的区别强化学习、监督学习、非监督

1.背景介绍之前学习百度强化学习7日打卡营-世界冠军带你从零实践时候，最后留下的一个大作业是股票预测环境：https://github.com/kh-kim/stock_market_reinforcement_learning，由于给出的一个推荐github项目是四年前，时间太久远，所以找了另一个，还是中文的，而且步骤看起来很详细。

本地代码：https://github.com/lucifer2859/meta-RL元强化学习简介：https://www.cnblogs.com/lucifer1997/p/13603979.html一、Meta-RL1、LearningtoReinforcementLearn：CogSci2017https://github.com/awjuliani/Meta-RL环境：TensorFlow，CPU；任务：Dependent(Easy,Medium,

强化学习在量化交易中的应用如何构建环境如何定义state如何定义action如何定义reward如何操作数据FinRL框架核心部件简介ElegantRL图中Agent.py中的智能体使用Net.py中的网络，并且通过与Env.py中的环境进行交互在Run.py中进行了训练。https://github.com/AI4Fin

问题是关于香草的,非批式的强化学习.基本上是在Sutton’sbook中定义的here.我的模型训练,(呜呼！)尽管有一个使我困惑的元素.背景：在奖励持续时间的环境中(例如平衡),我们每步奖励(例如)1.插播之后,在将这一系列的1发送到训练步骤之前,我们进行标准的折现和归一化以获取回报：retu

                               -->不一定要沿梯度方向下降？通过不同的方向来探测/估计当前地形？ -->如何衡量zigzig的程度——如果从历史的迭代中学习掌握规律？ --> 动量方法-->数据驱动~每个方向算