Dyp forsterkningslæring
Dyp forsterkningslæring kombinerer nevrale nettverk med forsterkningslæring slik at en agent lærer ved å interagere med et miljø, popularisert av Mnih og kollegers Nature-arbeid fra 2015 om Atari-kontroll på menneskelig nivå. I stedet for å lære fra et fast, merket datasett, tar agenten handlinger, observerer belønninger, og former gradvis en policy som maksimerer langsiktig avkastning.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/no/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.
- Nevral arkitektursøkDyp læring↔ compare
- Random ForestMaskinlæring↔ compare
- Residuelle nevrale nettverkDyp læring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →