Machine learningReinforcement learning

পলিসি গ্রেডিয়েন্ট পদ্ধতি

পলিসি গ্রেডিয়েন্ট পদ্ধতি হলো রিইনফোর্সমেন্ট লার্নিং অ্যালগরিদম যা প্রত্যাশিত রিটার্নের উপর গ্রেডিয়েন্ট অ্যাসেন্ডের মাধ্যমে সরাসরি প্যারামিটারাইজড পলিসি অপ্টিমাইজ করে, অ্যাকশন-ভ্যালু শেখা এবং গ্রিডিভাবে কাজ করার পরিবর্তে। রোনাল্ড উইলিয়ামসের ১৯৯২ সালের REINFORCE অ্যালগরিদম এবং সাটন ও সহকর্মীদের (২০০০) পলিসি গ্রেডিয়েন্ট তত্ত্বের উপর ভিত্তি করে, এরা স্বাভাবিকভাবেই স্টোকাস্টিক এবং কন্টিনিউয়াস অ্যাকশন স্পেস পরিচালনা করে এবং আধুনিক অ্যাক্টর-ক্রিটিক ও ডিপ-আরএল অ্যালগরিদমকে শক্তিশালী করে।

MethodMind-এ খুলুনশীঘ্রইভিডিওশীঘ্রইDownload slides

পুরো পদ্ধতিটি পড়ুন

শুধু সদস্যদের জন্য

এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।

সাইন ইন করুন

Method map

The neighbourhood of related methods — select a node to explore.

উৎস

  1. Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696
  2. Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link

এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন

ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/bn/machine-learning/policy-gradient

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.

Compare side by side

যেখানে উদ্ধৃত

ScholarGatePolicy Gradient (Policy Gradient Methods (REINFORCE / Actor-Critic)). 2026-06-15 তারিখে সংগৃহীত, উৎস: https://scholargate.app/bn/machine-learning/policy-gradient · ডেটাসেট: https://doi.org/10.5281/zenodo.20539026