Apprendimento per Rinforzo Profondo
L'Apprendimento per Rinforzo Profondo (Deep Reinforcement Learning) combina le reti neurali con l'apprendimento per rinforzo, permettendo a un agente di imparare interagendo con un ambiente. È stato reso popolare dal lavoro del 2015 su Nature di Mnih e colleghi sul controllo di Atari a livello umano. Invece di imparare da un dataset etichettato fisso, l'agente compie azioni, osserva le ricompense e modella gradualmente una politica che massimizza il ritorno a lungo termine.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/it/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.
- Ricerca Architetturale NeuraleApprendimento profondo↔ compare
- Random ForestApprendimento automatico↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →