Aprendizado por Reforço Profundo
O Aprendizado por Reforço Profundo (Deep Reinforcement Learning) combina redes neurais com aprendizado por reforço, de modo que um agente aprende interagindo com um ambiente. Popularizado pelo trabalho de Mnih e colegas em 2015 na Nature sobre controle em nível humano de jogos Atari. Em vez de aprender a partir de um conjunto de dados rotulado fixo, o agente toma ações, observa recompensas e gradualmente molda uma política que maximiza o retorno a longo prazo.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/pt/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.
- Busca de Arquitetura NeuralAprendizado profundo↔ compare
- Random ForestAprendizado de máquina↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →