Aprendizaje por Refuerzo Profundo
El Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning) combina redes neuronales con aprendizaje por refuerzo para que un agente aprenda interactuando con un entorno. Se popularizó gracias al trabajo de Mnih y colegas en 2015 en Nature sobre el control a nivel humano de juegos de Atari. En lugar de aprender de un conjunto de datos fijo y etiquetado, el agente realiza acciones, observa recompensas y moldea gradualmente una política que maximiza el retorno a largo plazo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/es/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.
- Búsqueda de Arquitecturas NeuronalesAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
- Red Neuronal RecurrenteAprendizaje profundo↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →