Potkrepljivačko učenje
Potkrepljivačko učenje (RL) je okvir u kojem agent uči donositi sekvencijalne odluke interakcijom s okolinom, primajući skalarne signale nagrade i ažurirajući strategiju (policy) kako bi maksimizirao kumulativnu buduću nagradu. Za razliku od nadgledanog učenja, ne pružaju se označeni primjeri; agent samostalno otkriva optimalno ponašanje kroz iskustvo i odgođenu povratnu informaciju.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/hr/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.
- Metode gradijenta politikeStrojno učenje↔ compare
- Rekurentna neuronska mrežaDuboko učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →