Q-Learning
Q-learning, geïntroduceerd door Christopher Watkins en Peter Dayan in 1992, is een modelvrij reinforcement learning-algoritme dat de waarde van het nemen van elke actie in elke toestand — de Q-functie — puur uit ervaring leert, zonder een model van de omgeving. Het is off-policy: het leert de optimale actiewaarden terwijl het een exploratief gedragsbeleid volgt, en onder standaardcondities convergeert het aantoonbaar naar het optimale beleid.
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
- 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
Deze pagina citeren
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/nl/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.
- Diepgaand bekrachtigingslerenDeep learning↔ compare
- Dynamische programmeringOptimalisatie↔ compare
- BeleidgradiëntmethodenMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →