| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | |||||
| 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| 10 | 11 | 12 | 13 | 14 | 15 | 16 |
| 17 | 18 | 19 | 20 | 21 | 22 | 23 |
| 24 | 25 | 26 | 27 | 28 | 29 | 30 |
| 31 |
Tags
- Soft Actor-Critic
- Python Interpreter Lock
- Control variate
- 병행성 제어
- docker tensorboard
- Global Interpreter Lock
- Few-shot learning
- 파이썬 인터프리터 락
- Importance sampling
- 전역 인터프리터 락
- Off-policy
- Concurrency Control
- 지속적 개발
- Actor-Critic
- 인터프리터 락
- 도커 텐서보드 연결
- 오프폴리시
- Maximazation bias
- 통합 개발
- MAML
- 온폴리시
- Reinforcement Learning
- 중요도 샘플링
- Double learning
- Maximum entropy
- Tree backup
- Interpreter Lock
- n-step
- 강화학습
- Meta Learning
Archives
- Today
- Total
목록Importance sampling (1)
HakuCode na matata
하쿠's 강화학습 :: [Ch. V] Monte Carlo Methods
포스팅에 앞서 이 게시글은 Reference의 contents를 review하는 글임을 밝힌다. 「Monte Carlo Method(몬테카를로 방법)」 이번 포스트의 주제는 'Monte Carlo Method(몬테카를로 방법, 이하 MC)'이다. 앞선 포스트에서 살펴보았듯, 강화학습의 문제를 제공되는 정보의 양을 기준으로 그 해결법에 대해 2가지 분류를 했었다. - 환경정보에 대해 완벽히 안다(Model Based) = Dynamic Programming(DP) = Planning - 환경정보에 대해 일부만 안다(Model Free) = Reinforcement Learning(RL) = Learning 앞서 알아본 DP는 정보를 온전히 다 안다는 전제하에 계획을 세우는 계획법(Planning)으로서 분..
Machine Learning/Reinforcement Learning
2020. 10. 4. 14:36