पॉलिसी ग्रेडिएंट पद्धतियाँ
पॉलिसी ग्रेडिएंट पद्धतियाँ सुदृढीकरण-शिक्षण एल्गोरिदम हैं जो अपेक्षित प्रतिफल पर ग्रेडिएंट आरोहण द्वारा सीधे एक पैरामीट्रिक पॉलिसी को अनुकूलित करती हैं, बजाय एक्शन-मानों को सीखने और लालची तरीके से कार्य करने के। रोनाल्ड विलियम्स के 1992 के REINFORCE एल्गोरिदम और सटन तथा सहयोगियों (2000) के पॉलिसी ग्रेडिएंट प्रमेय पर आधारित, वे स्वाभाविक रूप से स्टोकेस्टिक और निरंतर एक्शन स्पेस को संभालते हैं और आधुनिक एक्टर-क्रिटिक तथा डीप-आरएल एल्गोरिदम का आधार हैं।
पूरी विधि पढ़ें
यह खंड पढ़ने के लिए निःशुल्क खाते से साइन इन करें।
Method map
The neighbourhood of related methods — select a node to explore.
स्रोत
- 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 ↗
इस पृष्ठ का उद्धरण कैसे दें
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/hi/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.
- उत्तल इष्टतमीकरणअनुकूलन↔ compare
- डीप रीइन्फोर्समेंट लर्निंगगहन अधिगम↔ compare
- क्यू-लर्निंगमशीन अधिगम↔ compare
- स्टोकेस्टिक ग्रेडिएंट डिसेंट (एसजीडी)मशीन अधिगम↔ compare