Aprendizagem por Reforço
Aprendizagem por Reforço (AR) é um quadro em que um agente aprende a tomar decisões sequenciais interagindo com um ambiente, recebendo sinais de recompensa escalares e atualizando uma política para maximizar a recompensa cumulativa futura. Ao contrário da aprendizagem supervisionada, não são fornecidos exemplos rotulados; o agente descobre o comportamento ótimo inteiramente através da experiência e do feedback atrasado.
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.
+2 more
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/pt/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.
- Métodos de Gradiente de PolíticaAprendizado de máquina↔ compare
- Rede Neural RecorrenteAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →