یادگیری تقویتی
یادگیری تقویتی (RL) چارچوبی است که در آن یک عامل با تعامل با محیط، دریافت سیگنالهای پاداش اسکالر، و بهروزرسانی یک سیاست برای حداکثر کردن پاداش تجمعی آینده، تصمیمگیریهای متوالی را یاد میگیرد. برخلاف یادگیری نظارتشده، هیچ مثال برچسبدار ارائه نمیشود؛ عامل رفتار بهینه را کاملاً از طریق تجربه و بازخورد تأخیری کشف میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/fa/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.
- روشهای گرادیان خطمشییادگیری ماشین↔ compare
- شبکه عصبی بازگشتییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →