Pembelajaran Penguatan Dalam (Deep Reinforcement Learning)
Pembelajaran Penguatan Dalam menggabungkan rangkaian saraf tiruan dengan pembelajaran penguatan supaya ejen belajar dengan berinteraksi dengan persekitaran, dipopularkan oleh kajian Mnih dan rakan-rakan pada tahun 2015 dalam Nature mengenai kawalan Atari pada tahap manusia. Berbanding belajar daripada set data berlabel yang tetap, ejen mengambil tindakan, memerhatikan ganjaran, dan secara beransur-ansur membentuk dasar yang memaksimumkan pulangan jangka panjang.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/ms/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.
- Pencarian Seni Bina NeuralPembelajaran Mendalam↔ compare
- Random ForestPembelajaran Mesin↔ compare
- Jaringan Saraf BerulangPembelajaran Mendalam↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →