Учебное пособие по использованию FinRL для торговли несколькими акциями в одном блокноте Jupyter | Представлено на NeurIPS 2020: Deep RL Workshop Примечание редакторам Data Science. Хотя мы разрешаем независимым авторам публиковать статьи в соответствии с нашими правилами и рекомендациями , мы не поддерживаем вклад каждого автора. Не следует полагаться на работы автора без консультации с профессионалами. См. Подробности в наших Условиях для читателей . Этот блог представляет..

Прежде чем мы перейдем к глубокому обучению с подкреплением, давайте попробуем понять, что такое обучение с подкреплением. Обучение с подкреплением — это ветвь машинного обучения, которая позволяет системам на основе ИИ вести себя в динамической среде, обучаясь методом проб и ошибок, чтобы оптимизировать вознаграждение для группы в целом на основе отзывов, полученных для отдельных действий. Обратная связь в контексте обучения с подкреплением относится к положительному или отрицательному..

Это первая из серии статей, в которой я резюмирую лекции с CS285 , проведенные профессором Сергеем Левиным, которому все заслуги. Все изображения взяты из его лекций. С одной стороны, обучение с подкреплением предлагает математический формализм для разработки алгоритмов, ориентированных на принятие решений на основе обучения. С другой стороны, глубокое обучение предлагает чрезмерно параметризованные модели, которые сопоставляют сложные входные данные с выходными и позволяют нам..

В этом блоге я расскажу об обучении с подкреплением (RL), о том, как и когда используется эта форма машинного обучения. Я также расскажу о пути, которым вы должны следовать, чтобы накопить опыт в области RL. 1. Введение Обучение с подкреплением (RL) — это подраздел машинного обучения. Это одна из самых быстрорастущих дисциплин, помогающих сделать искусственный интеллект реальным. Сочетание глубокого обучения с обучением с подкреплением привело ко многим значительным достижениям,..