Süva tugevdamisõpe
Süva tugevdamisõpe ühendab närvivõrgud tugevdamisõppega, et agent õpiks keskkonnaga interakteerudes; seda populariseerisid Mnih ja kolleegide 2015. aasta Nature'i töö inimtasemel Atari juhtimise kohta. Selle asemel, et õppida fikseeritud märgistatud andmekogumist, teeb agent toiminguid, jälgib tasusid ja kujundab järk-järgult poliitika, mis maksimeerib pikaajalise tulu.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/et/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.
- Neuraalarhitektuuri otsingSüvaõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- Korduv närvivõrkSüvaõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →