Q-обучение
Q-обучението, представено от Christopher Watkins и Peter Dayan през 1992 г., е алгоритъм за обучение с подсилване без модел, който научава стойността на предприемането на всяко действие във всяко състояние — Q-функцията — изцяло от опит, без модел на средата. То е извън политиката (off-policy): то научава оптималните стойности на действията, следвайки политика на изследване, и при стандартни условия доказуемо се сближава с оптималната политика.
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
- Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698 ↗
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
Как да цитирате тази страница
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/bg/machine-learning/q-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.
- Дълбоко обучение с подкреплениеДълбоко обучение↔ compare
- Динамично оптимиранеОптимизация↔ compare
- Методи на градиент на политикатаМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →