Beleidgradiëntmethoden
Beleidgradiëntmethoden zijn algoritmen voor versterkend leren die een geparametriseerd beleid direct optimaliseren via gradiëntstijging op het verwachte rendement, in plaats van actiewaarden te leren en hebzuchtig te handelen. Gebaseerd op Ronald Williams' REINFORCE-algoritme uit 1992 en de beleidgradiëntstelling van Sutton en collega's (2000), hanteren ze van nature stochastische en continue actieruimtes en vormen ze de basis voor moderne actor-criticus en deep-RL-algoritmen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696 ↗
- Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/nl/machine-learning/policy-gradient
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.
- Convexe optimalisatieOptimalisatie↔ compare
- Diepgaand bekrachtigingslerenDeep learning↔ compare
- Q-LearningMachine learning↔ compare
- Stochastische Gradiëntdaling (SGD)Machine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →