Resumen

El aprendizaje por refuerzo es uno de los paradigmas y metodologías del aprendizaje automático desarrollado en la comunidad de inteligencia computacional. Los algoritmos de aprendizaje por refuerzo presentan un gran desafío en dinámicas complejas recientemente. Desde la perspectiva de la selección de variables, a menudo nos encontramos con situaciones en las que se incluyen demasiadas variables en el modelo completo en la etapa inicial del modelado. Debido a una integral de datos longitudinales de alta dimensionalidad e intratable, la inferencia de verosimilitud es un desafío computacional. Puede ser computacionalmente difícil, como una convergencia muy lenta o incluso la no convergencia, para los métodos computacionalmente intensivos. Recientemente, la verosimilitud jerárquica (h-verosimilitud) juega un papel importante en las inferencias para modelos que tienen variables aleatorias no observables o no observadas. Este artículo se centra en modelos lineales con efectos aleatorios en la estructura media y propone un algoritmo de h-verosim

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Aprendizaje por refuerzo; Aprendizaje automático; Algoritmos; Selección de variables; H-verosimilitud; Algoritmo penalizado
• Keywords:Reinforcement learning; Machine learning; Algorithms; Variable selection; H-likelihood; Penalized algorithm