Дълбоко обучение с подкрепление
Дълбокото обучение с подкрепление комбинира невронни мрежи с обучение с подкрепление, така че агентът се учи чрез взаимодействие с околната среда. То е популяризирано от работата на Мних и колеги от 2015 г. в Nature относно контрол на ниво човек в игри на Atari. Вместо да се учи от фиксиран набор от етикетирани данни, агентът предприема действия, наблюдава награди и постепенно оформя политика, която максимизира дългосрочната възвръщаемост.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Mnih, V. et al. (2015). Human-Level Control through Deep Reinforcement Learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
- Schulman, J. et al. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/bg/deep-learning/deep-reinforcement-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Търсене на невронни архитектуриДълбоко обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →