Q-učení
Q-učení, představené Christopherem Watkinsem a Peterem Dayanem v roce 1992, je bezmodelový algoritmus zpatkovacího učení, který se učí hodnotu provádění každé akce v každém stavu — Q-funkci — čistě ze zkušenosti, bez modelu prostředí. Je off-policy: učí optimální hodnoty akcí při dodržování průzkumného chování, a za standardních podmínek prokazatelně konverguje k optimální politice.
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
- Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698 ↗
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/cs/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.
- Hluboké zpatňované učeníHluboké učení↔ compare
- Dynamické programováníOptimalizace↔ compare
- Metody gradientu politikyStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →