Q-učenje
Q-učenje, koje su 1992. predstavili Christopher Watkins i Peter Dayan, jest algoritam pojačavajućeg učenja bez modela koji iz čiste izkušnje uči vrijednost poduzimanja svake akcije u svakom stanju — Q-funkciju — bez modela okoline. Nije na politici (off-policy): uči optimalne vrijednosti akcija slijedeći politiku istraživanja, te pod standardnim uvjetima dokazano konvergira prema optimalnoj politici.
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
- Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698 ↗
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/hr/machine-learning/q-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.
- Duboko pojačavajuće učenjeDuboko učenje↔ compare
- Dinamičko programiranjeOptimizacija↔ compare
- Metode gradijenta politikeStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →