Metode gradijenta politike
Metode gradijenta politike algoritmi su za učenje s pojačanjem koji izravno optimiziraju parametriziranu politiku usponom po gradijentu očekivanog povrata, umjesto da uče vrijednosti akcija i djeluju pohlepno. Temeljene na algoritmu REINFORCE Ronalda Williamsa iz 1992. i teoremu gradijenta politike Suttona i suradnika (2000.), one prirodno rukuju stohastičkim i kontinuiranim akcijskim prostorima te čine temelj modernih algoritama glumac-kritičar i dubokog učenja s pojačanjem.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/hr/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.
- Konveksna optimizacijaOptimizacija↔ compare
- Duboko pojačavajuće učenjeDuboko učenje↔ compare
- Q-učenjeStrojno učenje↔ compare
- Stochastic Gradient Descent (SGD)Strojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →