Uczenie ze wzmocnieniem
Uczenie ze wzmocnieniem (RL) to ramy, w których agent uczy się podejmować sekwencyjne decyzje poprzez interakcję ze środowiskiem, otrzymywanie skalarnych sygnałów nagrody i aktualizację polityki w celu maksymalizacji skumulowanej przyszłej nagrody. W przeciwieństwie do uczenia nadzorowanego, nie dostarcza się oznakowanych przykładów; agent odkrywa optymalne zachowanie całkowicie poprzez doświadczenie i opóźnioną informację zwrotną.
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.
+2 more
Źródła
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/pl/deep-learning/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.
- Metody gradientu politykiUczenie maszynowe↔ compare
- Rekurencyjna Sieć NeuronowaUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →