Split (1)

train · 20.9k rows

id int64 18 21.1k	created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39	updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39	doc_name stringclasses 1 value	input stringlengths 11 9.24k	is_personal bool 2 classes	is_sentence bool 2 classes	is_corrected bool 2 classes
6,807	2026-02-24T08:07:34.339000Z	2026-02-24T08:07:34.340000Z	Lec.	Финансовый сектор (American Express Company)	false	true	false
6,806	2026-02-24T08:07:32.497000Z	2026-02-24T08:07:32.497000Z	Lec.	Аэрокосмическая промышленность (The Boeing Company)	false	true	false
6,805	2026-02-24T08:07:30.842000Z	2026-02-24T08:07:30.842000Z	Lec.	Финансовый сектор (Bank of America Corporation)	false	true	false
6,804	2026-02-24T08:07:29.133000Z	2026-02-24T08:07:29.133000Z	Lec.	Развлечения (The Walt Disney Company)	false	true	false
6,803	2026-02-24T08:07:27.453000Z	2026-02-24T08:07:27.453000Z	Lec.	Потребительские товары (Procter & Gamble Co.)	false	true	false
6,802	2026-02-24T08:07:25.608000Z	2026-02-24T08:07:25.608000Z	Lec.	Сектор экономики	false	true	false
6,801	2026-02-24T08:07:24.007000Z	2026-02-24T08:07:24.007000Z	Lec.	Данные о названиях выбранных компаний представлены в таблице 1. ticker	false	true	false
6,800	2026-02-24T08:07:22.549000Z	2026-02-24T08:07:22.549000Z	Lec.	Для рынка акций были выбраны котировки крупных компаний США из различных секторов экономики для формирования диверсифицированного портфеля	false	true	false
6,799	2026-02-24T08:07:20.780000Z	2026-02-24T08:07:20.780000Z	Lec.	В исследовании предполагается определить эффективность работы алгоритмов A2C и DDPG в разных рыночных условиях, а именно на рынке акций и на рынке криптовалют	false	true	false
6,798	2026-02-24T08:07:18.939000Z	2026-02-24T08:07:18.939000Z	Lec.	В текущей главе будут рассмотрен процесс обучения агентов и анализ полученных результатов	false	true	false
6,797	2026-02-24T08:07:17.170000Z	2026-02-24T08:07:17.170000Z	Lec.	Для расчета метрик и визуализации полученных результатов был разработан класс ResultsInfo, который включается в себя следующие методы:. portfolio_value_graph() – скрипт, визуализирующий график зависимости стоимости портфеля от времени. compute_metrics() – функция для расчета метрик оценки качества портфеля, включая год...	false	false	false
6,796	2026-02-24T08:07:14.802000Z	2026-02-24T08:07:14.802000Z	Lec.	Обучение агентов происходило в разработанной среде PortfolioEnv, реализованной на основе API Gymnasium	false	true	false
6,795	2026-02-24T08:07:13.024000Z	2026-02-24T08:07:13.024000Z	Lec.	Для реализации алгоритмов обучения с подкреплением использовалась библиотека Stable-Baselines3, основанная на PyTorch	false	true	false
6,794	2026-02-24T08:07:11.378000Z	2026-02-24T08:07:11.378000Z	Lec.	Каждый из этих методов обеспечивает полное взаимодействие агента со средой: формирование наблюдений, обработку действий, расчет вознаграждения и переход к следующему состоянию	false	true	false
6,793	2026-02-24T08:07:09.821000Z	2026-02-24T08:07:09.821000Z	Lec.	Извлекает нормализованные цены активов и вектор технических признаков и объединяет два вектора в один. step() – описывает основной шаг агента со средой, а именно рассчитывает относительный прирост портфеля на основе текущих и последующих в окне цен, обновляет историю доходностей, сохраняет полученный прирост, вычисляет...	false	true	false
6,792	2026-02-24T08:07:07.587000Z	2026-02-24T08:07:07.587000Z	Lec.	Класс со средой обучения PortfolioEnv включает в себя следующие методы:. reset() – инициализирует новый эпизод во время обучения. _get_observation() – формирует состояние среды на текущей итерации	false	true	false
6,791	2026-02-24T08:07:05.824000Z	2026-02-24T08:07:05.824000Z	Lec.	Это помогает ускорить и улучшить процесс обучения	false	true	false
6,790	2026-02-24T08:07:04.241000Z	2026-02-24T08:07:04.241000Z	Lec.	Благодаря этому агент видит не только цену актива, а целый набор осмысленных сигналов о рынке	false	true	false
6,789	2026-02-24T08:07:02.516000Z	2026-02-24T08:07:02.516000Z	Lec.	Указанные выше индикаторы формируют множество признаков, которые будут подаваться как параметры, характеризующую среду, во время обучения агента	false	true	false
6,788	2026-02-24T08:07:00.916000Z	2026-02-24T08:07:00.916000Z	Lec.	Нормализация ускоряет и стабилизирует обучение агентов и происходит по следующей формуле:. – среднее (mean). – стандартное отклонение. compute_features – функция для обогащения данных с расчетом дополнительных признаков: логарифмическая доходность, индикатор RSI (Relative Strength Index), скользящие средние SMA (Si...	false	false	false
6,787	2026-02-24T08:06:58.954000Z	2026-02-24T08:06:58.954000Z	Lec.	Цены активов могут серьезно отличаться по порядку величины: акции крупных компаний торгуются по стоимости в сотни долларов, а криптовалюты зачастую могут иметь пики цен в тысячах, и десятках тысяч в сравнении с средним значением	false	true	false
6,786	2026-02-24T08:06:57.167000Z	2026-02-24T08:06:57.167000Z	Lec.	Сырые данные могут быть с привязкой к различным часовым поясам, что может вызвать несовпадение временных меток при объединении нескольких источников. price_scaler – функция для масштабирования цен активов	false	true	false
6,785	2026-02-24T08:06:55.464000Z	2026-02-24T08:06:55.464000Z	Lec.	Этот класс в себя следующие методы:. drop_nulls – удаление неполных данных и пропусков. safety_remove_timezone – функция для унификации индекса времени	false	true	false
6,784	2026-02-24T08:06:53.794000Z	2026-02-24T08:06:53.794000Z	Lec.	Для предобработки реализован класс DataPreparation	false	true	false
6,783	2026-02-24T08:06:52.268000Z	2026-02-24T08:06:52.268000Z	Lec.	Для обучения торговых агентов важно правильно предобработать данные, так как от качества данных напрямую зависит качество работы торгового агента, обученного на основе алгоритмов глубокого машинного обучения	false	true	false
6,782	2026-02-24T08:06:50.489000Z	2026-02-24T08:06:50.489000Z	Lec.	Результат выполнения метода fetch() переменная типа DataFrame с временными рядами цен в момент закрытия торгов	false	true	false
6,781	2026-02-24T08:06:48.822000Z	2026-02-24T08:06:48.822000Z	Lec.	Важной особенностью класса CryptoDataCollector в отличии класса StockDataCollector является то, что из-за ограничения API происходит автоматическое разбиение запроса данных на периоды по 2000 дней с последующем объединением результатов запросов	false	true	false
6,780	2026-02-24T08:06:47.169000Z	2026-02-24T08:06:47.169000Z	Lec.	Таким образом, при повторном вызове метода fetch() данные считываются из кэша, а не загружаются повторно	false	true	false
6,779	2026-02-24T08:06:45.615000Z	2026-02-24T08:06:45.615000Z	Lec.	Для вызова метода необходимо передать три параметра: список с наименованиями тикеров, дата начала и дата конца, рассматриваемого периода	false	true	false
6,778	2026-02-24T08:06:44.051000Z	2026-02-24T08:06:44.051000Z	Lec.	При первичном использовании метода fetch() в обоих классах происходит загрузка данных с последующим сохранением в локальный кэш	false	true	false
6,777	2026-02-24T08:06:42.008000Z	2026-02-24T08:06:42.008000Z	Lec.	Класс CryptoDataCollector отвечает за загрузку цен акций по указанным тикерам c помощью API CryptoCompare	false	true	false
6,776	2026-02-24T08:06:40.467000Z	2026-02-24T08:06:40.467000Z	Lec.	Класс StockDataCollector отвечает за загрузку цен акций по указанным тикерам через библиотеку yfinance	false	true	false
6,775	2026-02-24T08:06:38.920000Z	2026-02-24T08:06:38.920000Z	Lec.	Эта система состоит из двух классов:	false	true	false
6,774	2026-02-24T08:06:37.345000Z	2026-02-24T08:06:37.345000Z	Lec.	Для формирования портфеля на различных рынках была реализована система сбора данных	false	true	false
6,773	2026-02-24T08:06:35.501000Z	2026-02-24T08:06:35.501000Z	Lec.	Это позволило получить структурированный код, разбитый на независимые модули с возможностью его дальнейшего расширения	false	true	false
6,772	2026-02-24T08:06:33.747000Z	2026-02-24T08:06:33.747000Z	Lec.	При написании кода была учтена парадигма объектно-ориентированного программирования (ООП)	false	true	false
6,771	2026-02-24T08:06:32.082000Z	2026-02-24T08:06:32.082000Z	Lec.	Разработка программного кода проводилась в среде Google Colaboratory, которая представляет собой облачную инфраструктуру для разработки и выполнения Python-кода	false	true	false
6,770	2026-02-24T08:06:30.324000Z	2026-02-24T08:06:30.324000Z	Lec.	Для реализации поставленной в предыдущей главе задачи по оптимизации инвестиционного портфеля на языке программирования Python версии 3.11.12 был реализован соответствующий функционал, описание и тестирование которого будет приведено в текущей главе	false	true	false
6,769	2026-02-24T08:06:27.494000Z	2026-02-24T08:06:27.494000Z	Lec.	Рис. 3 Псевдокод алгоритма DDPG	false	true	false
6,768	2026-02-24T08:06:25.692000Z	2026-02-24T08:06:25.692000Z	Lec.	При это соответствует прямому копированию	false	true	false
6,767	2026-02-24T08:06:24.202000Z	2026-02-24T08:06:24.202000Z	Lec.	Функция потерь актора задают как:. в DDPG применяются таргетные сети критика и актора с параметрами и которые обновляются выполняется «мягко» [15] (soft update) по правилу:. ,. где (типично )	false	true	false
6,766	2026-02-24T08:06:22.570000Z	2026-02-24T08:06:22.570000Z	Lec.	Актор задает детерминированную политику , отображающую состояние в действие	false	true	false
6,765	2026-02-24T08:06:20.846000Z	2026-02-24T08:06:20.846000Z	Lec.	Функцию потерь модели критика вводят как среднеквадратичную ошибку по мини-батчу N и минимизируют по параметрам :. (16). – текущая оценка критика. – целевое значение	false	true	false
6,764	2026-02-24T08:06:19.265000Z	2026-02-24T08:06:19.265000Z	Lec.	Мини-батч в контексте алгоритма DDPG это подмножество из N случайно выбранных переходов, т. е. кортежей вида из буфера повторения опыта (replay buffer), где. — состояние в момент времени t,. — действие, выбранное агентом,. — награда, полученная после действия,. — следующее состояние	false	true	false
6,763	2026-02-24T08:06:17.232000Z	2026-02-24T08:06:17.232000Z	Lec.	Целевое значение функции ценности действия определяется как:. (15). – параметры cетей таргет-критика и таргет-актора	false	true	false
6,762	2026-02-24T08:06:15.694000Z	2026-02-24T08:06:15.694000Z	Lec.	В методе DDQG значение функции приближается таргет-сетями	false	true	false
6,761	2026-02-24T08:06:14.068000Z	2026-02-24T08:06:14.068000Z	Lec.	Для модели критика в DDPG используется уравнение Беллмана для формирования детерминированной политики:. (14). — оценка ценности действия в состоянии ;. — вознаграждение, полученное на шаге ;. — коэффициент дисконтирования будущих наград;. — следующее состояние после выполнения действия;. — стратегия, определяющая сле...	false	true	false
6,760	2026-02-24T08:06:11.984000Z	2026-02-24T08:06:11.984000Z	Lec.	Общая цель агента аналогично разделу 2.2 максимизировать уравнение (4)	false	true	false
6,759	2026-02-24T08:06:10.261000Z	2026-02-24T08:06:10.261000Z	Lec.	Это увеличивает sample efficiency (выборочную эффективность) по сравнению с on-policy методами	false	true	false
6,758	2026-02-24T08:06:08.528000Z	2026-02-24T08:06:08.528000Z	Lec.	Отличие заключается в том, что рассматриваемый алгоритм использует off-policy обучение, что позволяет повторно использовать прошедший опыт, хранящийся в буфере обмена	false	true	false
6,757	2026-02-24T08:06:06.926000Z	2026-02-24T08:06:06.926000Z	Lec.	Так же, как и алгоритм A2C, DDPG относится к классу “actor-critic” алгоритмов	false	true	false
6,756	2026-02-24T08:06:05.162000Z	2026-02-24T08:06:05.162000Z	Lec.	Алгоритм DDPG (Deep Deterministic Policy Gradient) является model-free методом обучения с подкреплением, который рассчитан на задачи с непрерывном пространством действий [14]	false	true	false
6,755	2026-02-24T08:06:03.407000Z	2026-02-24T08:06:03.407000Z	Lec.	Вместо одношаговой TD-ошибки в A2C часто используется шаговое приближение возврата:. (13)	false	true	false
6,754	2026-02-24T08:06:01.847000Z	2026-02-24T08:06:01.847000Z	Lec.	Рис. 2 Псевдокод алгоритма A2C	false	true	false
6,753	2026-02-24T08:06:00.035000Z	2026-02-24T08:06:00.035000Z	Lec.	Как результат алгоритм постепенно снижает (12), что эквивалентно росту целевой функции (4)	false	true	false
6,752	2026-02-24T08:05:57.969000Z	2026-02-24T08:05:57.969000Z	Lec.	Параметры актора и критика обновляются совместно через суммарную функцию потерь для всей модели:. (12). – коэффициент, который определяет вклад “критика” в градиент обновления	false	true	false
6,751	2026-02-24T08:05:56.269000Z	2026-02-24T08:05:56.269000Z	Lec.	Функция потерь критика задается как мат. ожидание квадрата TD-ошибки:. (11)	false	true	false
6,750	2026-02-24T08:05:54.470000Z	2026-02-24T08:05:54.470000Z	Lec.	Стоит отметить, что для стабилизации обучения и улучшения исследования среды к функции потерь актора добавляется энтропийный регуляризатор:. (10)	false	true	false
6,749	2026-02-24T08:05:52.849000Z	2026-02-24T08:05:52.849000Z	Lec.	Политик актора обучается не напрямую градиентном подъемом , а при помощи минимизации функции потерь:. (9)	false	true	false
6,748	2026-02-24T08:05:51.218000Z	2026-02-24T08:05:51.218000Z	Lec.	Согласно теореме политики-градиента [13] градиент функции (4) можно выразить следующим образом:. (8)	false	true	false
6,747	2026-02-24T08:05:49.671000Z	2026-02-24T08:05:49.671000Z	Lec.	Для максимизации величины (4) используются методы политики-градиента с корректировкой параметров политики в направлении увеличения	false	true	false
6,746	2026-02-24T08:05:48.104000Z	2026-02-24T08:05:48.104000Z	Lec.	За счет этого обучение актора становится стабильнее и более эффективным	false	true	false
6,745	2026-02-24T08:05:46.384000Z	2026-02-24T08:05:46.384000Z	Lec.	Таким образом, TD-ошибка является оценкой преимущества совершенного действия	false	true	false
6,744	2026-02-24T08:05:44.594000Z	2026-02-24T08:05:44.594000Z	Lec.	Подставляя определение (6) в формулу (5), получим:. (7)	false	true	false
6,743	2026-02-24T08:05:42.972000Z	2026-02-24T08:05:42.972000Z	Lec.	В алгоритме A2C не вычисляется непосредственно	false	true	false
6,742	2026-02-24T08:05:41.262000Z	2026-02-24T08:05:41.262000Z	Lec.	Таким образом, показывает, насколько действие в состоянии лучше или хуже среднего поведения согласно политике. , то действие приносит больше награды, чем в среднем ожидается в состоянии. , то действие менее выгодно, чем усредненное поведение политики	false	true	false
6,741	2026-02-24T08:05:39.557000Z	2026-02-24T08:05:39.557000Z	Lec.	В алгоритме A2C функция преимущества определяется как:. – функция ценности состояния (state-value), равная ожидаемому вознаграждению при начале в состоянии и дальнейшем следовании политике. – функция ценности действия (action-value), равная ожидаемому суммарному вознаграждению при нахождении в состоянии выполнении де...	false	true	false
6,740	2026-02-24T08:05:37.498000Z	2026-02-24T08:05:37.498000Z	Lec.	Для каждого шага , TD-ошибка определяется как:. – состояние в момент времени t,. – выбранное действие,. – вознаграждение, полученное при переходе в новое состояние ,. – оценка ценности состояния (state-value), выдаваемая критиком с параметрами ,. – коэффициент дисконтирования	false	true	false
6,739	2026-02-24T08:05:35.800000Z	2026-02-24T08:05:35.800000Z	Lec.	Для обучения модели критика применяется метод временных разностей (temporal difference, TD)	false	true	false
6,738	2026-02-24T08:05:34.178000Z	2026-02-24T08:05:34.178000Z	Lec.	Рис. 1 Классификация алгоритмов A2C и DDPG	false	true	false
6,737	2026-02-24T08:05:32.384000Z	2026-02-24T08:05:32.384000Z	Lec.	В обновлении актора используется оценка функции преимущества (Advantage Function), которая показывает, насколько полученная награда превышает среднее ожидаемое значение	false	true	false
6,736	2026-02-24T08:05:30.692000Z	2026-02-24T08:05:30.692000Z	Lec.	Алгоритм A2C (Advantage Actor-Critic) основан на архитектуре “актор-критик” и включает два компонента: актор – модель, которая определяет политику и на основе состояния среды выбирает действие; критик –модель, которая приближенно оценивает ценностную функцию (Value Function) и оценивает качество действий [12]	false	true	false
6,735	2026-02-24T08:05:28.886000Z	2026-02-24T08:05:28.886000Z	Lec.	Таким образом, называется ожидаемым совокупным вознаграждением (expected return) при следовании политике с параметрами	false	true	false
6,734	2026-02-24T08:05:27.240000Z	2026-02-24T08:05:27.240000Z	Lec.	Предел суммирования T может обозначать либо время окончания эпизода, либо стремиться к бесконечности в случае непрерывного взаимодействия (при бесконечная сумма сходится) [9]	false	true	false
6,733	2026-02-24T08:05:25.586000Z	2026-02-24T08:05:25.586000Z	Lec.	Формально цель агента определяется как максимизация величины:. (4). где случайная величина – награда, полученная на шаге , мат. ожидание рассчитывается с учётом случайного характера среды, а при использовании стохастической модели, с учётом вероятностного выбора действий самим агентом	false	true	false
6,732	2026-02-24T08:05:23.221000Z	2026-02-24T08:05:23.221000Z	Lec.	Для политики (стратегии) агента , параметризованной , обычно вводится функция качества политики – математическое ожидание дисконтированной суммы вознаграждений, полученных агентом с течением времени [9]	false	true	false
6,731	2026-02-24T08:05:21.658000Z	2026-02-24T08:05:21.658000Z	Lec.	Агент, действующий в среде MDP, стремится максимизировать кумулятивное (суммарное) вознаграждение при взаимодействии со средой	false	true	false
6,730	2026-02-24T08:05:19.665000Z	2026-02-24T08:05:19.665000Z	Lec.	Граничные случаи: означает, что агент оценивает только непосредственную награду, делает агента, который учитывает долгосрочные последствия	false	true	false
6,729	2026-02-24T08:05:17.963000Z	2026-02-24T08:05:17.963000Z	Lec.	Если < 1, награды на n шагов в будущем дисконтируются как и тем самым отдалённые во времени результаты учитываются слабее ближайших [9]	false	true	false
6,728	2026-02-24T08:05:16.351000Z	2026-02-24T08:05:16.351000Z	Lec.	Определяет, насколько агент учитывает будущие награды при принятии решений	false	true	false
6,727	2026-02-24T08:05:14.807000Z	2026-02-24T08:05:14.807000Z	Lec.	Таким образом, функция моделирует как внешние рыночные изменения, так и обновление долей портфеля под действием агента. – коэффициент дисконтирования 0 1	false	false	false
6,726	2026-02-24T08:05:13.036000Z	2026-02-24T08:05:13.036000Z	Lec.	Состояние включает также внутренние переменные (структуру портфеля), которые прямо определяются действием	false	true	false
6,725	2026-02-24T08:05:11.512000Z	2026-02-24T08:05:11.512000Z	Lec.	В текущей работе предполагается, что динамика цен стохастическая и не зависит от действий агента, в предположении того, что объём торгов агента мал	false	true	false
6,724	2026-02-24T08:05:09.810000Z	2026-02-24T08:05:09.810000Z	Lec.	Распределение вероятностей – вероятность перехода в состояние при выполнении действия из состояния Эта функция показывает изменение цен на рынке: например, как изменятся котировки и состояние портфеля к следующему шагу после принятия решения	false	true	false
6,723	2026-02-24T08:05:07.846000Z	2026-02-24T08:05:07.846000Z	Lec.	В простейшем случае можно определить – разницу стоимости портфеля до и после совершения действия. – функция, задающая динамику среды	false	true	false
6,722	2026-02-24T08:05:06.287000Z	2026-02-24T08:05:06.287000Z	Lec.	Часто используют относительный прирост капитала (доходность за период) или его логарифм	false	true	false
6,721	2026-02-24T08:05:04.690000Z	2026-02-24T08:05:04.690000Z	Lec.	Цель агента – максимизировать суммарно полученную награду	false	true	false
6,720	2026-02-24T08:05:03.181000Z	2026-02-24T08:05:03.181000Z	Lec.	Вознаграждение – это численный ответ от среды агенту после совершения действия	false	true	false
6,719	2026-02-24T08:05:01.244000Z	2026-02-24T08:05:01.244000Z	Lec.	В контексте портфеля действие соответствует ребалансировке портфеля на шаге. – функция вознаграждения	false	true	false
6,718	2026-02-24T08:04:59.683000Z	2026-02-24T08:04:59.683000Z	Lec.	Элемент – решение агента в состоянии	false	true	false
6,717	2026-02-24T08:04:57.807000Z	2026-02-24T08:04:57.807000Z	Lec.	В задачах инвестирования состояние обычно включает признаки рынка (финансовые индикаторы, цены акций за последние дни и т.д.) и распределение капитала между активами на шаге. – множество действий	false	true	false
6,716	2026-02-24T08:04:55.951000Z	2026-02-24T08:04:55.951000Z	Lec.	Элемент описывает информацию о системе в текущий момент времени (например, состояние рыночной среды и портфеля)	false	true	false
6,715	2026-02-24T08:04:54.160000Z	2026-02-24T08:04:54.160000Z	Lec.	Формальным языком MDP для оптимизации портфеля можно определить как кортеж , где:. – множество состояний	false	true	false
6,714	2026-02-24T08:04:52.387000Z	2026-02-24T08:04:52.387000Z	Lec.	Таким образом, полностью описывает динамику без учёта предшествующих состояний	false	true	false
6,713	2026-02-24T08:04:50.703000Z	2026-02-24T08:04:50.703000Z	Lec.	Это подразумевает вся необходимая информацию о прошлых взаимодействиях уже учтена состояние , и не нужна информация о предыдущих шагах при известном текущем состоянии [10]	false	true	false
6,712	2026-02-24T08:04:49.047000Z	2026-02-24T08:04:49.047000Z	Lec.	Процесс называется марковским, если вероятность перехода в новое состояние зависит только от выбранного действия и текущего состояния [10]:. (3)	false	true	false
6,711	2026-02-24T08:04:47.560000Z	2026-02-24T08:04:47.560000Z	Lec.	Агент (в данном случае трейдинговый алгоритм) последовательно шаг за шагом принимает решения по ребалансировке портфеля, наблюдая состояние рынка и получая вознаграждение за увеличение капитала	false	true	false
6,710	2026-02-24T08:04:45.789000Z	2026-02-24T08:04:45.789000Z	Lec.	Задача управления портфелем при использовании алгоритмов глубокого машинного обучения с подкреплением может быть сформулирована как марковский процесс принятия решений (Markov Decision Process, MDP)	false	true	false
6,709	2026-02-24T08:04:43.970000Z	2026-02-24T08:04:43.970000Z	Lec.	Как итог, можно сделать, вывод, что методы глубокого машинного обучения с подкреплением в ряде исследований обходят классические стратегии по основным метрикам, однако их эффективность существенно зависит от настройки алгоритмов	false	true	false
6,708	2026-02-24T08:04:42.184000Z	2026-02-24T08:04:42.184000Z	Lec.	PPO, наоборот, в отличие от DDPG, оказался наименее эффективным без добавления скрытых слоев, а эффективность TD3 увеличивалась по мере увеличения скрытых слоев	false	true	false

Subsets and Splits

No community queries yet

The top public SQL queries from the community will appear here once available.