Temat: deep reinforcement learning

Skocz do pozycji: 1.

Tytuł:: Value-based methods of deep reinforcement learning.
Metody wartościowe głębokiego uczenia ze wzmocnieniem
Autorzy:: Kropiewnicki, Kamil
Słowa kluczowe:: Uczenie maszynowe, Głębokie uczenie, Uczenie ze wzmocnieniem, Głębokie uczenie ze wzmocnieniem, Atari
Machine Learning, Deep Learning, Reinforcement Learning, Deep Reinforcement Learning, Atari; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 2.

Tytuł:: Adaptacyjność w modelach głębokiego uczenia
Adaptiveness in deep learning models
Autorzy:: Wołczyk, Maciej
Współwytwórcy:: Tabor, Jacek
Data publikacji:: 2024-02-12
Słowa kluczowe:: głębokie uczenie, adaptacja, uczenie ciągłe, uczenie ze wzmocnieniem
deep learning, adaptation, continual learning, reinforcement learning; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Książka

Szczegóły

Skocz do pozycji: 3.

Tytuł:: Głębokie uczenie ze wzmocnieniem w środowisku OpenAI Gym
Deep reinforcement learning in an OpenAI Gym environment
Autorzy:: Dadał, Sebastian
Słowa kluczowe:: uczenie maszynowe, uczenie ze wzmocnieniem, głębokie uczenie ze wzmocnieniem, a2c, dqn, ppo, trpo, openai gym, pygame, sieci neuronowe, gry wideo
machine learning, reinforcement learning, deep reinforcement learning, ml, rl, drl, a2c, dqn, ppo, trpo, openai gym, pygame, neural networks, deep q-networks, advantage actor-critic, proximal policy optimization, trust region policy optimization, video games; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 4.

Tytuł:: Analiza algorytmów Deep Q-learning oraz Proximal Policy Optimization.
Analysis of Deep Q-learning and Proximal Policy Optimization algorithms
Autorzy:: Dyczek, Jakub
Słowa kluczowe:: Uczenie przez wzmacnianie, Deep Q-learning, Proximal Policy Optimization, uczenie maszynowe, decyzyjne procesy Markova
Reinforcement learning, Deep Q-learning, Proximal Policy Optimization, machine learning, Markov decision process; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 5.

Tytuł:: Advanced machine learning algorithms in implementation of automatic system replacing the player in chosen video games
Zaawansowane algorytmy uczenia maszynowego w implementacji automatycznego systemu zastępującego gracza w przykładowych grach wideo
Autorzy:: Wołczyk, Maciej
Słowa kluczowe:: convolutional neural networks, machine learning, deep learning, reinforcement learning, games, Pong, Breakout, DQN, Q-Learning, Google Deepmind, Tensorflow
ikonwolucyjne sieci neuronowe, uczenie maszynowe, głębokie uczenie maszynowe, uczenie przez wzmacnianie, gry, Pong, Breakout, DQN, Q-Learning, Google Deepmind, Tensorflow; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 6.

Tytuł:: Deep-Hedge MCCFR: An algorithm for solving imperfect information games.
Deep-Hedge MCCFR: Algorytm rozwiązywania gier z niepełną informacją
Autorzy:: Ziemiński, Marcin
Słowa kluczowe:: game theory, reinforcement learning, counterfactual regret minimization, poker, deep learning
teoria gier, reinforcement learning, counterfactual regret minimization, poker, deep learning; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 7.

Tytuł:: Wykorzystanie uczenia maszynowego w programowaniu zachowania stada drapieżników
Use of machine learning in predator flock behaviour programming
Autorzy:: Tyrała, Maciej
Słowa kluczowe:: artificial intelligence, python, unity, reinforcement learning, Markov decision process, temporal difference, deep Q-Learning, neural networks, approximation methods
sztuczna inteligencja, python, unity, uczenie przez wzmacnianie, proces decyzyjny Markova, różnica chwilowa, deep Q-Learning, sieci neuronowe, metody aproksymujące; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Skocz do pozycji: 8.

Tytuł:: Balansowanie gier za pomoca sztucznej inteligencji
Balancing Games Using Artificial Intelligence
Autorzy:: Nieć, Daniel
Słowa kluczowe:: Balansowanie gier, Sztuczna inteligencja, Uczenie maszynowe, Nauczanie przez wzmacnianie, Uczenie głębokie, Projektowanie gier, Agent sztucznej inteligencji, Algorytmy balansowania gier, Prototypowanie gier, Sieci neuronowe, Testowanie gier, Analiza wyników, Wydajność strategii selekcji, Badanie balansu gry, Algorytmy sztucznej inteligencji, Gry komputerowe, Głębokie uczenie w grach, Algorytmy uczenia maszynowego, Dynamiczny balans gier
Game balancing, Artificial intelligence, Machine learning, Reinforcement learning, Deep learning, Game design, AI agent, Game balancing algorithms, Game prototyping, Neural networks, Game testing, Results analysis, Selection strategy efficiency, Game balance analysis, Artificial intelligence algorithms, Video games, Deep learning in games, Machine learning algorithms, Dynamic game balancing.; Pokaż więcej
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

Szczegóły

Informacja