Głębokie uczenie ze wzmocnieniem
Głębokie uczenie ze wzmocnieniem łączy sieci neuronowe z uczeniem ze wzmocnieniem, dzięki czemu agent uczy się poprzez interakcję ze środowiskiem. Metoda została spopularyzowana przez pracę Mnih i współpracowników z 2015 roku opublikowaną w Nature, dotyczącą sterowania w grach Atari na poziomie ludzkim. Zamiast uczyć się z ustalonego, oznakowanego zbioru danych, agent podejmuje działania, obserwuje nagrody i stopniowo kształtuje strategię maksymalizującą długoterminowy zwrot.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/pl/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.
- Automatyczne wyszukiwanie architektury sieci neuronowychUczenie głębokie↔ compare
- Random ForestUczenie maszynowe↔ compare
- Rekurencyjna Sieć NeuronowaUczenie głębokie↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →