Aprenentatge per Reforç Profund
L'Aprenentatge per Reforç Profund (Deep Reinforcement Learning) combina xarxes neuronals amb aprenentatge per reforç, de manera que un agent aprèn interactuant amb un entorn. Va ser popularitzat pel treball de Mnih i col·laboradors del 2015 a Nature sobre el control a nivell humà dels jocs Atari. En lloc d'aprendre a partir d'un conjunt de dades fix i etiquetat, l'agent realitza accions, observa recompenses i modela gradualment una política que maximitza el retorn a llarg termini.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/ca/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.
- Cerca d'Arquitectures NeuronalsAprenentatge profund↔ compare
- Random ForestAprenentatge automàtic↔ compare
- Xarxa Neuronal RecurrentAprenentatge profund↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →