Megerősítéses tanulás
A megerősítéses tanulás (RL) egy olyan keretrendszer, amelyben egy ügynök interakcióba lépve egy környezettel, skaláris jutalmazási jeleket kapva, szekvenciális döntéshozatalra tanul, és egy politikát frissít a kumulatív jövőbeli jutalom maximalizálása érdekében. A felügyelt tanulással ellentétben nincsenek címkézett példák; az ügynök teljes mértékben tapasztalatok és késleltetett visszajelzések révén fedezi fel az optimális viselkedést.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/hu/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.
- Grádiens alapú házirend-módszerekGépi tanulás↔ compare
- Rekurrens neurális hálózatMélytanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →