Metodin todisteiden tietue

Q-Learning

Q-learning, introduced by Christopher Watkins and Peter Dayan in 1992, is a model-free reinforcement-learning algorithm that learns the value of taking each action in each state — the Q-function — purely from experience, without a model of the environment. It is off-policy: it learns the optimal action-values while following an exploratory behaviour policy, and under standard conditions it provably converges to the optimal policy.

Sources recorded, not reviewed

Lähdetietue

Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.

Q-Learning (Off-Policy Temporal-Difference Control)

Taksonominen metoditietue · ml-model / machine-learning

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

Avaa koko metodi

Kuratoituja väitteitä

Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.

Ei vielä kuratoituja väitteitä

Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.

Liittyvät metodit

Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.

Same method familyDeep Reinforcement Learningmachine-suggested · Relational suggestion, not evidence.See alsoDynamic Programmingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketPolicy Gradientmachine-suggested · Relational suggestion, not evidence.