Q-učenie
Q-učenie, predstavené Christopherom Watkinsom a Peterom Dayanom v roku 1992, je bezmodelový algoritmus posilňovaného učenia, ktorý sa učí hodnotu vykonávania každej akcie v každom stave — Q-funkciu — výlučne zo skúseností, bez modelu prostredia. Je mimo politiky (off-policy): učí optimálne akčné hodnoty pri dodržiavaní prieskumnej politiky správania a za štandardných podmienok preukázateľne konverguje k optimálnej politike.
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
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/sk/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.
- Hlboké posilňované učenieHlboké učenie↔ compare
- Dynamické programovanieOptimalizácia↔ compare
- Metódy gradientu politikyStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →