Transfer Learning com Aprendizado por Reforço
Transfer Learning com Aprendizado por Reforço (Transfer RL) é um paradigma de treinamento no qual o conhecimento adquirido por um agente em uma ou mais tarefas de origem — codificado como pesos de política, funções de valor ou representações aprendidas — é reutilizado para acelerar ou melhorar o aprendizado em uma tarefa de destino relacionada, mas diferente. Ele aborda diretamente a ineficiência de amostra que assola o aprendizado por reforço do zero em ambientes complexos ou caros.
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
- Taylor, M. E., & Stone, P. (2009). Transfer Learning for Reinforcement Learning Domains: A Survey. Journal of Machine Learning Research, 10, 1633–1685. link ↗
- Lazaric, A. (2012). Transfer in Reinforcement Learning: A Framework and a Survey. In M. Wiering & M. van Otterlo (Eds.), Reinforcement Learning: State-of-the-Art (pp. 143–173). Springer. link ↗
Como citar esta página
ScholarGate. (2026, June 3). Transfer Learning Applied to Reinforcement Learning. ScholarGate. https://scholargate.app/pt/deep-learning/transfer-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.
- Aprendizagem por Reforço Adaptativa a DomínioAprendizado profundo↔ compare
- Aprendizado por Reforço Ajustado (Fine-Tuned Reinforcement Learning)Aprendizado profundo↔ compare
- Aprendizagem por ReforçoAprendizado profundo↔ compare
- Transfer Learning com Redes Neurais ConvolucionaisAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →