Ришал Харбанс - Грокаем алгоритмы искусcтвенного интеллекта

задачи теми же способами, в которых
преуспел он сам: объединять абстрактные идеи и принципы для нахождения
успешных решений.

364  Грокаем алгоритмы искусственного интеллекта

Краткий обзор главы «Обучение с подкреплением»
Обучение с подкреплением используется, когда известна цель,
но нет примеров для изучения.

Глубокие
нейронные
сети

Глубокое
обучение

Глубокое
обучение
с подкреплением

В обучении с подкреплением используются как классические методы, так
и методы глубоких нейросетей.
Среда
Награда

Классические
методы

Классическое
машинное
обучение

Обучение
с подкреплением

Примеры для
обучения

Цели, без
примеров

Агент

Для обучения
в среде используется метод
проб и ошибок.

Действие

Действие

Q-таблица
­включает столбцы-­
действия и строки-­
состояния.

Агент
Среда
Награда

Q-таблица

Изменяемое состояние

Q-обучение использует
Q-таблицу и функцию обу­
чения, чтобы обучаться
на ­совершенных действиях.

Состояние 1

Состояние 2

Максимальная ценность всех действий
для следующего состояния

Скорость
обучения

Текущая
ценность

Скорость
обучения

Дисконтирование

Применение алгоритмов
искусственного интеллекта

Поиск в глубину
Когда известно, что решения в дереве находятся глубоко
в пространстве поиска и можно произвести вычисление каждой ветки
без особых затрат.
Поиск в ширину
Когда известно, что решения в дереве находятся неглубоко
в пространстве поиска и можно произвести вычисление каждой ветки
без особых затрат.
Поиск А*
Для поиска решения в дереве, когда для направления поиска
и оптимизации вычислений можно создать эвристику.
Минимаксный поиск
В решении состязательных задач, где в поиске оптимальных решений
соревнуются два агента.
Генетический алгоритм
Когда вероятные решения можно закодировать в виде хромосом, а для
точной их оценки создать функцию приспособленности.
Муравьиный алгоритм
В задачах, где решение состоит из последовательности действий или
выборов и допускается «приемлемое» решение.
Оптимизация роем частиц
При поиске в многомерных и обширных пространствах решений,
когда не требуется абсолютно лучший вариант.

366  Грокаем алгоритмы искусственного интеллекта
Линейная регрессия
Для создания прогнозов на основе корреляций двух и более признаков
датасета.
Дерево решений
Для категоризации образцов данных из датасета на основе
их признаков, когда эти признаки непосредственно связаны
с категориями образцов.
Искусственная нейронная сеть
Для формирования прогнозов на основе набора неструктурированных
данных, внутренние корреляции которых неочевидны.
Q-обучение
При решении задач, где агент действует в среде и обучение должно
происходить опытным путем, а не на исторических данных.

Ришал Харбанс
Грокаем алгоритмы искусcтвенного интеллекта
Перевел с английского Д. Брайт

Руководитель дивизиона
Ведущий редактор
Научный редактор
Литературный редактор
Корректоры
Верстка

Ю. Сергиенко
Е. Строганова
В. Кадочников
М. Трусковская
С. Беляева, М. Лауконен
Л. Соловьева

Изготовлено в России. Изготовитель: ООО «Прогресс книга».
Место нахождения и фактический адрес: 194044, Россия, г. Санкт-Петербург,
Б. Сампсониевский пр., д. 29А, пом. 52. Тел.: +78127037373.
Дата изготовления: 01.2023.
Наименование: книжная продукция.
Срок годности: не ограничен.
Налоговая льгота — общероссийский классификатор продукции ОК 034-2014,
58.11.12 — Книги печатные профессиональные, технические и научные.
Импортер в Беларусь: ООО «ПИТЕР М», 220020, РБ, г. Минск,
ул. Тимирязева, д. 121/3, к. 214, тел./факс: 208 80 01.
Подписано в печать 02.11.22. Формат 70×100/16. Бумага офсетная.
Усл. п. л. 29,670. Тираж 1200. Заказ 0000.

--">