Details

Ресенде Рикетти Дитра Аймори. Neural network with deep symbolic reinforcement learning [Электронный ресурс] = Нейронные сети с алгоритмами "глубокого обучения" с подтверждением: магистерская диссертация: 09.04.01 / Ресенде Рикетти Дитра Аймори; Санкт-Петербургский политехнический университет Петра Великого, Институт компьютерных наук и технологий ; науч. рук. В. П. Шкодырев. — Электрон. текстовые дан. (1 файл : 1,36 МБ). — Санкт-Петербург, 2017. — Загл. с титул. экрана. — Текст на англ. яз. — Свободный доступ из сети Интернет (чтение). — Adobe Acrobat Reader 7.0. — <URL:http://elib.spbstu.ru/dl/2/v17-2595.pdf>. — <URL:http://doi.org/10.18720/SPBPU/2/v17-2595>.

Record create date: 10/11/2017

Subject: Нейронные сети; Искусственный интеллект; Алгоритмы; самообучение

UDC: 004.032.26:004.421(043.3); 004.85(043.3)

Collections: Выпускные квалификационные работы; Общая коллекция

Links: DOI

Allowed Actions: Read You need Flash Player to read document

Group: Anonymous

Network: Internet

Annotation

This project investigates the advantages and disadvantages of two Reinforcement Learning algorithms, Deep Q-Network and Deep Symbolic Reinforcement Learning. The focus is to demonstrate clearly what and how these techniques are really learning in simple toy game examples. Moreover, it identifies what are the gains that the symbolic approach brings to problems in the reinforcement learning framework. For this, it was implemented in Python a simplified version of these algorithms maintaining their main learning capabilities. With the developed software, their performances are contrasted in some proposed problems, where their ability to generalize and learning speed are evaluated. Finally, it is concluded that the Deep Symbolic approach has more advantages than disadvantages compared to the state of the art, Deep Q-Network.

Этот проект исследует преимущества и недостатки двух алгоритмов обучения с подкреплением, Q-сети с самообучением и символическое самообучение с подкреплением. Акцент делается, чтобы наглядно продемонстрировать, чем и как эти методы действительно обучения как пример простой игры. Кроме того, он определяет, каковы успехи, что символический подход приводит к проблемам в укреплении базового обучения. Для этого был реализован в Python упрощённый вариант этих алгоритмов сохранения их основной функции обучения. С помощью разработанного программного обеспечения, их представления противопоставлены в некоторых предлагаемых проблемах, где оцениваются их способности к обобщению и скорость обучения. Наконец, сделан вывод, что символический подход к самообучению имеет больше преимуществ, чем недостатков по сравнению с современными, самообучающимися Q-сетями.

Document access rights

Network User group Action
FL SPbPU Local Network All Read
-> Internet All Read

Document usage statistics

stat Document access count: 63
Last 30 days: 2
Detailed usage statistics