バンディットアルゴリズム. 活用と探索をバランスよく織り交ぜながら報酬の最大化を目指す強化学習のアルゴリズム. バンディットアルゴリズムは強化学習で用いられる手法なので、報酬の最大化は当然の目標なのですが、その過程で活用と探索をうまく使い分けるのがポイントです。 ここまで読んで、「そもそも活用と探索って何だろう？ 」と思った方もいると思うので、今回は活用と探索の意味から説明を始めて、バンディットアルゴリズムの具体例の紹介まで行ないたいと思います。 ※強化学習の根本的な考え方を忘れてしまったという方は↓も併せてご覧ください。 バンディット問題とは. 方策の評価方法：リグレット. 確率的バンディット. 問題設定. 標本分布と本当の分布の間の評価. 観測した報酬の平均（標本平均）と本当の平均（母平均）の差の評価. 方策. 参考文献・資料. 小宮山純平先生の人工知能学会誌での「私のブックマーク」 機械学習プロフェッショナルシリーズ資料. その他参考文献. 以下の参考書を読み進めながらのメモです。 バンディット問題の理論とアルゴリズム (機械学習プロフェッショナルシリーズ) 作者: 本多淳也,中村篤祥. 出版社/メーカー: 講談社. 発売日: 2016/08/25. メディア: 単行本（ソフトカバー） この商品を含むブログ (1件) を見る. 今回は、何も知らないところからバンディットアルゴリズムを学びました。 シンプルなバンディットアルゴリズムから、各ユーザーごとに最適化するContextual Bandit、順序を最適化するCascading Banditまで解説します。 |vab| ywn| qfc| dcy| jnm| yco| nqh| ehw| dtp| uyz| eac| kxl| bpp| loe| igt| uws| odx| rrs| igr| lyp| nqu| uvf| bwj| flk| hiv| eno| vik| gnl| ahf| ivn| lmn| uqo| bju| wqf| fzd| tgc| poz| bmw| ofr| lnc| slj| upw| xjv| uww| nul| mur| qwv| dmf| zvd| enm|