2024年3月4日
李宏毅《机器学习》总结 - Q-learning（待填）
摘要： 之前提到过，强化学习中有 policy gradient 的方法，其实质是利用 MC 的方法对于当前的模型（\(\theta\) 或者 \(\pi\)，可以认为是由状态到行为的映射）重复跑很多次，求出估计的“期望值”，最终目标是最大化他们的 reward（因此可以将 loss 设置成负的期望）。 这 阅读全文
posted @ 2024-03-04 22:06 SkyRainWind 阅读(9) 评论(0) 推荐(0) 编辑