Hluboké zpatňované učení
Hluboké zpětně vázané učení (Deep Reinforcement Learning) kombinuje neuronové sítě se zpětně vázaným učením, takže se agent učí interakcí s prostředím. Zpopularizováno prací Mniha a kolegů z roku 2015 v časopise Nature o lidské úrovni ovládání her Atari. Místo učení z pevného označeného datového souboru agent provádí akce, pozoruje odměny a postupně si formuje strategii, která maximalizuje dlouhodobý výnos.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/cs/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.
- Automatické vyhledávání architektur neuronových sítíHluboké učení↔ compare
- Random ForestStrojové učení↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →