Q-tanulás
A Christopher Watkins és Peter Dayan által 1992-ben bevezetett Q-tanulás egy modellmentes megerősítéses tanulási algoritmus, amely pusztán tapasztalatból, azaz a környezet modellje nélkül tanulja meg az egyes állapotokban végrehajtott minden egyes cselekvés értékét – a Q-függvényt. Off-policy (azaz házirenden kívüli): az optimális cselekvésértékeket egy feltáró viselkedési házirend követése közben tanulja meg, és standard feltételek mellett bizonyítottan konvergál az optimális házirendhez.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/hu/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.
- Mély megerősítéses tanulásMélytanulás↔ compare
- Dinamikus programozásOptimalizálás↔ compare
- Grádiens alapú házirend-módszerekGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →