שיטות גרדיאנט מדיניות
שיטות גרדיאנט מדיניות הן אלגוריתמים של למידת חיזוק הממטבים מדיניות מכוילת פרמטרים ישירות באמצעות עליית גרדיאנט על התשואה הצפויה, במקום ללמוד ערכי פעולה ולפעול באופן חמדני. הן מבוססות על אלגוריתם REINFORCE של רונלד וויליאמס משנת 1992 ועל משפט גרדיאנט המדיניות של סאטון ועמיתיו (2000), הן מטפלות באופן טבעי במרחבי פעולה סטוכסטיים ורציפים ומהוות בסיס לאלגוריתמים מודרניים של שחקן-מבקר (actor-critic) ולמידת חיזוק עמוקה (deep-RL).
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696 ↗
- Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/he/machine-learning/policy-gradient
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.
- אופטימיזציה קמורהאופטימיזציה↔ compare
- למידת חיזוק עמוקהלמידה עמוקה↔ compare
- למידת Qלמידת מכונה↔ compare
- ירידה סטוכסטית של גרדיאנט (SGD)למידת מכונה↔ compare