标签: artificial-intelligence

在一个井字游戏的实现中,我认为具有挑战性的部分是确定机器播放的最佳动作.

有哪些算法可以追求？我正在研究从简单到复杂的实现.我该如何处理这部分问题？

我有一个任务,要制作一个AI代理,学习使用ML玩视频游戏.我想在OpenAI中创建一个新环境,因为我不想在现有环境中工作.如何创建新环境.另外,有没有其他方法可以让我开始让AI Agent在没有OpenAI帮助的情况下玩特定的视频游戏？我是这方面的初学者,所以任何一种帮助/起跑方向都将受到赞赏.

我想知道统一成本搜索和Dijkstra算法之间有什么区别.它们似乎是相同的算法.

我所见过的神经网络的所有例子都是针对一组固定的输入,这些输入适用于图像和固定长度数据.你如何处理可变长度数据,如句子,查询或源代码？有没有办法将可变长度数据编码为固定长度输入,仍然可以获得神经网络的泛化属性？

我们可以使用Javascript中的OpenCV吗？有没有这样的实施？

是否有任何JS库可用于检测图片或视频中的面部元素？

我正在研究一个高阶定理证明器,其中统一似乎是最困难的子问题.

如果Huet的算法仍然被认为是最先进的,那么是否有任何人有任何与其解释的链接,这些解释是由程序员而不是数学家所理解的？

或者甚至是它的工作原理和通常的一阶算法的例子都没有？

当我在阅读如何在pybrain中构建ANN时,他们说:

训练网络一些时代.通常你会在这里设置类似5的东西,

trainer.trainEpochs( 1 )

Run Code Online (Sandbox Code Playgroud)

我寻找的是什么意思,然后我得出结论,我们使用一个数据时代来更新权重,如果我选择训练5个时期的数据作为pybrain建议,数据集将被分成5个子集,并且权重将更新最多5倍.

我熟悉在每次样本数据或特征向量后更新权利的在线培训,我的问题是如何确定5个时代足以构建模型并设置权重？这种方式在线培训的优势是什么？术语"epoch"也用于在线培训,是否意味着一个特征向量？

虽然我知道SARSA是在政策上,而Q-learning是不合时宜的,但在查看他们的公式时,很难(对我而言)看到这两种算法之间存在任何差异.

根据" 强化学习:引言"(Sutton和Barto)一书.在SARSA算法中,给定策略,相应的动作值函数Q(在状态s和动作a,在时间步t),即Q(s _t,a _t),可以更新如下

Q(s _t,a _t)= Q(s _t,a _t)+α*(r _t +γ*Q(s _{t + 1},a _{t + 1}) - Q(s _t,a _t))

另一方面,Q学习算法的更新步骤如下

Q(s _t,a _t)= Q(s _t,a _t)+α*(r _t +γ*max _a Q(s _{t + 1},a) - Q(s _t,a _t))

也可以写成

Q(s _t,a _t)=(1 - α)*Q(s _t,a _t)+α*(r _t +γ*max _{a …}

任何有关源代码的好教程将演示如何开发神经网络(步骤湾步骤为假人;-))

另一个人没有在实践中有什么好处呢？我理解他们所做的事情,但他们在实际使用中的局限性和能力是什么？我正在考虑Drools vs一个新的AI项目的java prolog,但对其他建议持开放态度.在复杂的关系数据集或替代方案上进行推理有哪些流行的方法？