یادگیری کیو (Q-Learning)
یادگیری کیو، که در سال ۱۹۹۲ توسط کریستوفر واتکینز و پیتر دایان معرفی شد، یک الگوریتم یادگیری تقویتی بدون مدل است که ارزش انجام هر عمل در هر حالت — تابع کیو (Q-function) — را صرفاً از تجربه و بدون نیاز به مدل محیط میآموزد. این الگوریتم خارج از سیاست (off-policy) است: در حالی که یک سیاست رفتاری اکتشافی را دنبال میکند، مقادیر بهینه عمل را میآموزد و تحت شرایط استاندارد، به طور اثباتشدهای به سیاست بهینه همگرا میشود.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/fa/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.
- یادگیری تقویتی عمیقیادگیری عمیق↔ compare
- برنامهریزی پویابهینهسازی↔ compare
- روشهای گرادیان خطمشییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →