Apprentissage par renforcement
L'apprentissage par renforcement (RL) est un cadre dans lequel un agent apprend à prendre des décisions séquentielles en interagissant avec un environnement, en recevant des signaux de récompense scalaires et en mettant à jour une politique pour maximiser la récompense cumulative future. Contrairement à l'apprentissage supervisé, aucun exemple étiqueté n'est fourni ; l'agent découvre un comportement optimal entièrement par l'expérience et le retour d'information différé.
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.
+2 more
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/fr/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.
- Méthodes de gradient de politiqueApprentissage automatique↔ compare
- Réseau de neurones récurrentApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →