机器学习与智能金融第八章#延迟标注下的自我进化强化学习
机器学习与智能金融 第八章 延迟标注下的自我进化 强化学习
本讲主要内容基本介绍基本概念1贝尔曼期望方程与贝尔曼最优方程四强化学习算法介绍五简单应用与实践
一 基本介绍 本讲主要内容 二 基本概念 三 贝尔曼期望方程与贝尔曼最优方程 四 强化学习算法介绍 五 简单应用与实践
基本介绍
一、 基本介绍
基本介绍机器学习包含四种主要的学习方式：监督学习、无监督学习、半监督学习和强化学习。强化学习和其他三种学习方式主要的不同点在于强化学习训练时，需要环境给予反馈以及对应的具体的反馈值。强化学习是一种最接近于人类的学习，又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
一、基本介绍 机器学习包含四种主要的学习方式：监督学习、无监督学习、半监督学习和强 化学习。 强化学习和其他三种学习方式主要的不同点在于强化学习训练时，需要环境给 予反馈以及对应的具体的反馈值。 强化学习是一种最接近于人类的学习，又称再励学习、评价学习或增强学习， 是机器学习的范式和方法论之一，用于描述和解决智能体（agent）在与环境 的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题
基本介绍强化学习的四个主要特点时间是强化学习的当前的行为影响后续延迟反馈试错学习一个重要因素接收到的数据强化学习需要训练对象不强化学习训练过程中，有强化学习的一系列环境状在监督学习和半监督学习停地和环境进行交互，通时候需要等到整个训练结态的变化和环境反馈等都中，每条训练数据都是独过试错的方式总结出每一束后才会得到一个反馈，是和时间强挂钩，整个强立的，相互之间没有任何步的最佳行为决策。训练比如GameOver或者是化学习的训练过程是一个关联。但是强化学习中当对象的所有的学习都基于Win。当然对于这种情况随时间变化，状态和反馈前状态以及采取的行动，环境的反馈，没有任何的也在不停变化的过程我们在训练时候一般都是会影响下一步接收到的状指导。进行拆解的，尽量将反馈态。数据与数据之间存在分解到每一步。定的关联性
一、基本介绍 强化学习的四个主要特点 强化学习的一系列环境状 态的变化和环境反馈等都 是和时间强挂钩，整个强 化学习的训练过程是一个 随时间变化，状态和反馈 也在不停变化的过程。 强化学习训练过程中，有 时候需要等到整个训练结 束后才会得到一个反馈， 比如G a m e O v e r或者是 Win。当然对于这种情况， 我们在训练时候一般都是 进行拆解的，尽量将反馈 分解到每一步。 强化学习需要训练对象不 停地和环境进行交互，通 过试错的方式总结出每一 步的最佳行为决策。训练 对象的所有的学习都基于 环境的反馈，没有任何的 指导。 试错学习 时间是强化学习的 一个重要因素 延迟反馈 在监督学习和半监督学习 中，每条训练数据都是独 立的，相互之间没有任何 关联。但是强化学习中当 前状态以及采取的行动， 会影响下一步接收到的状 态。数据与数据之间存在 一定的关联性。 当前的行为影响后续 接收到的数据