Q-обучение
Q-обучение, представленное Кристофером Уоткинсом и Питером Дайэном в 1992 году, является алгоритмом обучения с подкреплением без модели, который изучает ценность выполнения каждого действия в каждом состоянии — Q-функцию — исключительно на основе опыта, без модели окружающей среды. Оно является off-policy (вне политики): оно изучает оптимальные ценности действий, следуя политике исследования, и при стандартных условиях доказуемо сходится к оптимальной политике.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3–4), 279–292. DOI: 10.1007/BF00992698 ↗
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
Как цитировать эту страницу
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/ru/machine-learning/q-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.
- Глубокое обучение с подкреплениемГлубокое обучение↔ compare
- Динамическое программированиеОптимизация↔ compare
- Методы градиента политикиМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →