Machine learningReinforcement learning

Q-Learning

Q-learning, introduït per Christopher Watkins i Peter Dayan el 1992, és un algorisme d'aprenentatge per reforç lliure de model que aprèn el valor de prendre cada acció en cada estat —la funció Q— purament a partir de l'experiència, sense un model de l'entorn. És off-policy: aprèn els valors òptims de les accions seguint una política de comportament exploratòria i, sota condicions estàndard, convergeix provablement cap a la política òptima.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

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

Fonts

  1. Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698
  2. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6

Com citar aquesta pàgina

ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/ca/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.

Compare side by side

Citat per

ScholarGateQ-Learning (Q-Learning (Off-Policy Temporal-Difference Control)). Recuperat el 2026-06-15 de https://scholargate.app/ca/machine-learning/q-learning · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026