Apprendimento per rinforzo
L'apprendimento per rinforzo (RL) è un quadro in cui un agente impara a prendere decisioni sequenziali interagendo con un ambiente, ricevendo segnali di ricompensa scalari e aggiornando una politica per massimizzare la ricompensa cumulativa futura. A differenza dell'apprendimento supervisionato, non vengono forniti esempi etichettati; l'agente scopre il comportamento ottimale interamente attraverso l'esperienza e il feedback ritardato.
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.
+2 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/it/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.
- Metodi basati sul gradiente di policyApprendimento automatico↔ compare
- Reti neurali ricorrentiApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →