Deep Reinforcement Learning
Deep Reinforcement Learning kombiniert neuronale Netze mit Reinforcement Learning, sodass ein Agent durch Interaktion mit einer Umgebung lernt. Populär wurde dies durch die Arbeit von Mnih und Kollegen aus dem Jahr 2015 in Nature über die Atari-Steuerung auf menschlichem Niveau. Anstatt aus einem festen, gelabelten Datensatz zu lernen, führt der Agent Aktionen aus, beobachtet Belohnungen und formt schrittweise eine Politik, die den langfristigen Ertrag maximiert.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/de/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.
- Neuronale ArchitektursucheDeep Learning↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →