Machine learningReinforcement learning
Q学習
1992年にクリストファー・ワトキンスとピーター・デイアンによって導入されたQ学習は、環境のモデルなしに、経験のみから各状態における各行動の価値、すなわちQ関数を学習するモデルフリー強化学習アルゴリズムである。これはオフポリシーであり、探索的な行動ポリシーに従いながら最適な行動価値を学習し、標準的な条件下では最適なポリシーに収束することが証明されている。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/ja/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.
Compare side by side →