Mély megerősítéses tanulás
A mély megerősítéses tanulás (Deep Reinforcement Learning, DRL) neurális hálózatokat kombinál a megerősítéses tanulással, így egy ügynök környezettel való interakció révén tanul. Ezt Mnih és munkatársai 2015-ös, az emberi szintű Atari-kontrollról szóló Nature-cikke népszerűsítette. Ahelyett, hogy egy rögzített, címkézett adathalmazból tanulna, az ügynök lépéseket tesz, jutalmakat figyel meg, és fokozatosan alakít ki egy olyan politikát, amely maximalizálja a hosszú távú visszatérést.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Mnih, V. et al. (2015). Human-Level Control through Deep Reinforcement Learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
- Schulman, J. et al. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/hu/deep-learning/deep-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.
- Neuronális Architektúra KeresésMélytanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- Rekurrens neurális hálózatMélytanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →