Modular reinforcement learning a case study in a robot domain /

QR kód

Modular reinforcement learning a case study in a robot domain /

The behaviour of reinforcement learning (RL) algorithms is best understood in completely observable, finite state- and action-space, discrete-time controlled Markov-chains. Robot-learning domains, on the other hand, are inherently infinite both in time and space, and moreover they are only partially...

Teljes leírás

Elmentve itt :

Bibliográfiai részletek
Szerzők:	Kalmár Zsolt Szepesvári Csaba Lőrincz András
Dokumentumtípus:	Cikk
Megjelent:	2000
Sorozat:	Acta cybernetica 14 No. 3
Kulcsszavak:	Számítástechnika, Kibernetika
Tárgyszavak:	Természettudományok Számítás- és információtudomány
Online Access:	http://acta.bibl.u-szeged.hu/12645

Hasonló tételek

Module based reinforcement learning for a real robot [abstract] /
Szerző: Kalmár Zsolt, et al.
Megjelent: (1998)

Model-free control based on reinforcement learning [abstract] /
Szerző: Dávid Zoltán, et al.
Megjelent: (2006)

Techniques for modular language implementation
Szerző: Koskimies Kai
Megjelent: (1990)

Community detection by using the extended modularity
Szerző: Griechisch Erika, et al.
Megjelent: (2011)

Deep reinforcement learning a study of the CartPole problem /
Szerző: Budai Ádám, et al.
Megjelent: (2018)

Some problems of the learning neuronlike system for the control of robots
Szerző: Gawronski Rysard, et al.
Megjelent: (1977)

InfoMax Bayesian learning of the Furuta pendulum
Szerző: Jeni László A., et al.
Megjelent: (2008)

Factored temporal difference learning in the new ties environment
Szerző: Gyenes Viktor, et al.
Megjelent: (2008)

Modeling a domain in a tutorial-like system using learning automata
Szerző: Oommen John B., et al.
Megjelent: (2010)

An Extensive Study on Model Architecture and Program Representation in the Domain of Learning-based Automated Program Repair
Szerző: Horváth Dániel, et al.
Megjelent: (2023)

Non-Markovian policies in sequential decision problems
Szerző: Szepesvári Csaba
Megjelent: (1998)

Automating, analyzing and improving pupillometry with machine learning algorithms
Szerző: Kalmár György, et al.
Megjelent: (2019)

LL frame system of learning methods [abstract] /
Szerző: Hócza András, et al.
Megjelent: (2002)

Rewarding misclassifications in oblique decision tree learning [abstract] /
Szerző: Salamon András
Megjelent: (2002)

Learning in a virtual environment
Szerző: Hampel György
Megjelent: (2014)

Mooc vs. traditional learning Possibilities and weaknesses of e-learning sites /
Szerző: Kőrösi Gábor
Megjelent: (2016)

Learning decision trees in continuous space
Szerző: Dombi József, et al.
Megjelent: (2001)

Learning decision trees in continuous space [abstract] /
Szerző: Zsiros Ákos
Megjelent: (2000)

Pedagogical considerations in an e-learning framework [abstract] /
Szerző: Muhi Dániel
Megjelent: (2004)

Parameter learning algorithms in online scheduling [abstract] /
Szerző: Németh Tibor, et al.
Megjelent: (2008)

Machine Learning-based Extraction of Keyphrases and its Applications in Multiple Domains
Szerző: Berend Gábor
Megjelent: (2014)

Creating a Virtual Learning Environment
Szerző: Hampel György, et al.
Megjelent: (2014)

Incorporating linkage learning into the GeLog framework
Szerző: Fühner Tim, et al.
Megjelent: (2003)

Assessing Ensemble Learning Techniques in Bug Prediction
Szerző: Szamosvölgyi Zsolt János, et al.
Megjelent: (2021)

IoT Malware Detection with Machine Learning
Szerző: Buttyán Levente, et al.
Megjelent: (2022)

Incorporating linkage learning into the GeLog framework [abstract] /
Szerző: Fühner Tim, et al.
Megjelent: (2002)

Application of learning methods in MCDA models overview and experimental comparison : [abstract] /
Szerző: Zsiros Ákos
Megjelent: (2002)

Deep learning for industry 5.0 digital-twins of people and places : [abstract] /
Szerző: Fenech Kristian
Megjelent: (2024)

Combining common sense rules and machine learning to understand object manipulation
Szerző: Sárkány András, et al.
Megjelent: (2019)

Named entity recognition for Hungarian using various machine learning algorithms
Szerző: Farkas Richárd, et al.
Megjelent: (2006)

Parameter learning online algorithm for multiprocessor scheduling with rejection
Szerző: Németh Tamás, et al.
Megjelent: (2009)

Machine learning methods in synthesis of four bar linkages [abstract] /
Szerző: Ekárt Anikó
Megjelent: (1998)

Preference-Based reinforcement learning Evolutionary direct policy search using a Preference-Based racing algorithm /
Szerző: Busa-Fekete Róbert, et al.
Megjelent: (2014)

Improving Gossip Learning via Limited Model Merging
Szerző: Danner Gábor, et al.
Megjelent: (2023)

Protocol state machine reverse engineering with a teaching-learning approach
Szerző: Székely Gábor, et al.
Megjelent: (2021)

Parameter learning online algorithm for multiprocessor scheduling with rejection
Szerző: Németh Tamás, et al.
Megjelent: (2009)

Systematic learning of edge probabilities in the Domingos-Richardson model
Szerző: Bóta András, et al.
Megjelent: (2011)

Balanced active learning method for image classification
Szerző: Papp Dávid, et al.
Megjelent: (2017)

Zero initialized active learning with spectral clustering using Hungarian method
Szerző: Papp Dávid
Megjelent: (2021)

Synergizing Fuzzy-based Task Offloading with Machine Learning-driven Forecasting for IoT
Szerző: Márkus András, et al.
Megjelent: (2024)