Apprentissage par renforcement profond
L'apprentissage par renforcement profond combine les réseaux neuronaux avec l'apprentissage par renforcement, de sorte qu'un agent apprend en interagissant avec un environnement. Cette approche a été popularisée par les travaux de Mnih et coll. en 2015 dans Nature, portant sur le contrôle de jeux Atari à un niveau humain. Au lieu d'apprendre à partir d'un ensemble de données étiquetées fixe, l'agent effectue des actions, observe des récompenses et façonne progressivement une politique qui maximise le retour à long terme.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/fr/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.
- Recherche d'architecture neuronaleApprentissage profond↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →