Обучение с подкрепление
Обучението с подкрепление (RL) е рамка, в която агент се учи да взема последователни решения, като взаимодейства с околната среда, получава скаларни сигнали за награда и актуализира политика, за да максимизира кумулативната бъдеща награда. За разлика от обучението с учител, не се предоставят етикетирани примери; агентът открива оптимално поведение изцяло чрез опит и забавена обратна връзка.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Източници
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/bg/deep-learning/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.
- Методи на градиент на политикатаМашинно обучение↔ compare
- Рекурентна невронна мрежаДълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →