Metodele de gradient al politicii
Metodele de gradient al politicii sunt algoritmi de învățare prin ranforsare care optimizează o politică parametrizată direct prin ascensiune pe gradient a valorii așteptate, în loc să învețe valorile acțiunilor și să acționeze lacom. Fondate pe algoritmul REINFORCE al lui Ronald Williams din 1992 și pe teorema gradientului politicii a lui Sutton și colaboratori (2000), ele gestionează în mod natural spații de acțiuni stochastice și continue și stau la baza algoritmilor moderni actor-critic și deep-RL.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256. DOI: 10.1007/BF00992696 ↗
- Sutton, R. S., McAllester, D., Singh, S., & Mansour, Y. (2000). Policy gradient methods for reinforcement learning with function approximation. Advances in Neural Information Processing Systems, 12, 1057–1063. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/ro/machine-learning/policy-gradient
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.
- Optimizare ConvexăOptimizare↔ compare
- Învățare prin consolidare profundăÎnvățare profundă↔ compare
- Q-LearningÎnvățare automată↔ compare
- Descrierea algoritmului de optimizare Gradient Descent Stocastic (SGD)Învățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →