Q-õppimine
Q-õppimine, mille võtsid kasutusele Christopher Watkins ja Peter Dayan 1992. aastal, on mudelivaba tugevdatud õppimise algoritm, mis õpib iga oleku iga tegevuse väärtust – Q-funktsiooni – puhtalt kogemustest, ilma keskkonna mudelita. See on poliitikast sõltumatu (off-policy): see õpib optimaalseid tegevusväärtusi, järgides samal ajal uurivat käitumispoliitikat, ja tavatingimustel koondub see tõestatavalt optimaalsele poliitikale.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698 ↗
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
Kuidas sellele lehele viidata
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/et/machine-learning/q-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.
- Süva tugevdamisõpeSüvaõpe↔ compare
- Dünamiline programmeerimineOptimeerimine↔ compare
- Poliitika gradiendi meetodidMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →