Aprendizaje por Refuerzo
El Aprendizaje por Refuerzo (RL) es un marco en el que un agente aprende a tomar decisiones secuenciales interactuando con un entorno, recibiendo señales de recompensa escalares y actualizando una política para maximizar la recompensa futura acumulada. A diferencia del aprendizaje supervisado, no se proporcionan ejemplos etiquetados; el agente descubre el comportamiento óptimo enteramente a través de la experiencia y la retroalimentación retardada.
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.
+2 more
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/es/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.
- Métodos de Gradiente de PolíticaAprendizaje automático↔ compare
- Red Neuronal RecurrenteAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →