Model Based Reinforcement Learning: Policy Iteration, Value Iteration, and Dynamic Programming

Автор: Steve Brunton

Загружено: 2022-01-07

Просмотров: 141141

Описание:

Here we introduce dynamic programming, which is a cornerstone of model-based reinforcement learning. We demonstrate dynamic programming for policy iteration and value iteration, leading to the quality function and Q-learning.

Citable link for this video: https://doi.org/10.52843/cassyni.6fs4s9

This is a lecture in a series on reinforcement learning, following the new Chapter 11 from the 2nd edition of our book "Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control" by Brunton and Kutz

Book Website: http://databookuw.com
Book PDF: http://databookuw.com/databook.pdf

Amazon: https://www.amazon.com/Data-Driven-Sc...

Brunton Website: eigensteve.com

This video was produced at the University of Washington

Model Based Reinforcement Learning: Policy Iteration, Value Iteration, and Dynamic Programming

Доступные форматы для скачивания:

Скачать видео mp4

Информация по загрузке:

Скачать аудио mp3

Похожие видео

Q-Learning: Model Free Reinforcement Learning and Temporal Difference Learning

Q-Learning: Model Free Reinforcement Learning and Temporal Difference Learning

Nonlinear Control: Hamilton Jacobi Bellman (HJB) and Dynamic Programming

Nonlinear Control: Hamilton Jacobi Bellman (HJB) and Dynamic Programming

Solve Markov Decision Processes with the Value Iteration Algorithm - Computerphile

Solve Markov Decision Processes with the Value Iteration Algorithm - Computerphile

Reinforcement Learning Series: Overview of Methods

Reinforcement Learning Series: Overview of Methods

Reinforcement Learning

Reinforcement Learning

Overview of Deep Reinforcement Learning Methods

Overview of Deep Reinforcement Learning Methods

Уравнения Беллмана, динамическое программирование, итерация обобщённой политики | Обучение с подк...

Уравнения Беллмана, динамическое программирование, итерация обобщённой политики | Обучение с подк...

Why Choose Model-Based Reinforcement Learning?

Why Choose Model-Based Reinforcement Learning?

Reinforcement Learning By the Book

Reinforcement Learning By the Book

Reinforcement Learning: Machine Learning Meets Control Theory

Reinforcement Learning: Machine Learning Meets Control Theory

Policy and Value Iteration

Policy and Value Iteration

Монте-Карло и внеполитические методы | Обучение с подкреплением, часть 3

Монте-Карло и внеполитические методы | Обучение с подкреплением, часть 3

Markov Decision Processes 1 - Value Iteration | Stanford CS221: AI (Autumn 2019)

Markov Decision Processes 1 - Value Iteration | Stanford CS221: AI (Autumn 2019)

Markov Decision Processes - Computerphile

Markov Decision Processes - Computerphile

Как учиться быстро и самому? На примере языков программирования.

Как учиться быстро и самому? На примере языков программирования.

Who's Adam and What's He Optimizing? | Deep Dive into Optimizers for Machine Learning!

Who's Adam and What's He Optimizing? | Deep Dive into Optimizers for Machine Learning!

Обучение с подкреплением с нуля

Обучение с подкреплением с нуля

Введение в методы градиента политики — глубокое обучение с подкреплением

Введение в методы градиента политики — глубокое обучение с подкреплением

Теория обучения с подкреплением: марковский процесс принятия решений

Теория обучения с подкреплением: марковский процесс принятия решений

Задача из вступительных Стэнфорда

Задача из вступительных Стэнфорда