Metódy gradientu politiky
Metódy gradientu politiky sú algoritmy posilňovaného učenia, ktoré optimalizujú parametrizovanú politiku priamo pomocou gradientného vzostupu na očakávanom návrate, namiesto učenia sa hodnôt akcií a konania chamtivo. Vychádzajú z algoritmu REINFORCE Ronalda Williamsa z roku 1992 a vety o gradiente politiky od Suttona a kolektívu (2000), prirodzene zvládajú stochastické a spojité akčné priestory a tvoria základ moderných algoritmov typu „actor-critic“ a hlbokého posilňovaného učenia.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/sk/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.
- Konvexná optimalizáciaOptimalizácia↔ compare
- Hlboké posilňované učenieHlboké učenie↔ compare
- Q-učenieStrojové učenie↔ compare
- Stochastický gradientný zostup (SGD)Strojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →