Pembelajaran-Q
Pembelajaran-Q, yang diperkenalkan oleh Christopher Watkins dan Peter Dayan pada tahun 1992, ialah algoritma pembelajaran pengukuhan tanpa model yang mempelajari nilai untuk mengambil setiap tindakan dalam setiap keadaan — fungsi-Q — semata-mata daripada pengalaman, tanpa model persekitaran. Ia adalah luar dasar: ia mempelajari nilai-tindakan optimum sambil mengikuti dasar tingkah laku penerokaan, dan di bawah keadaan standard ia terbukti menumpu kepada dasar optimum.
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
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/ms/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.
- Pembelajaran Penguatan Dalam (Deep Reinforcement Learning)Pembelajaran Mendalam↔ compare
- Pengaturcaraan DinamikPengoptimuman↔ compare
- Kaedah Gradien DasarPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →