Βαθιά Ενισχυτική Μάθηση
Η Βαθιά Ενισχυτική Μάθηση (Deep Reinforcement Learning - DRL) συνδυάζει νευρωνικά δίκτυα με την ενισχυτική μάθηση, ώστε ένας πράκτορας να μαθαίνει αλληλεπιδρώντας με ένα περιβάλλον, δημοφιλής έγινε από την εργασία των Mnih και συνεργατών το 2015 στο Nature σχετικά με τον έλεγχο παιχνιδιών Atari σε ανθρώπινο επίπεδο. Αντί να μαθαίνει από ένα σταθερό, επισημασμένο σύνολο δεδομένων, ο πράκτορας εκτελεί ενέργειες, παρατηρεί ανταμοιβές και σταδιακά διαμορφώνει μια πολιτική που μεγιστοποιεί τη μακροπρόθεσμη απόδοση.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/el/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.
- Αναζήτηση Νευρωνικής ΑρχιτεκτονικήςΒαθιά Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- Αναδρομικό Νευρωνικό ΔίκτυοΒαθιά Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →