Zpětnovazební učení
Zpětnovazební učení (RL) je rámec, ve kterém se agent učí provádět sekvenční rozhodnutí interakcí s prostředím, přijímáním skalárních signálů odměny a aktualizací politiky s cílem maximalizovat kumulativní budoucí odměnu. Na rozdíl od učení s učitelem nejsou poskytovány žádné označené příklady; agent objevuje optimální chování zcela prostřednictvím zkušeností a zpožděné zpětné vazby.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Zdroje
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/cs/deep-learning/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.
- Metody gradientu politikyStrojové učení↔ compare
- Rekurentní neuronová síťHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →