Mësimi i thellë i përforcuar
Mësimi i thellë i përforcuar (Deep Reinforcement Learning) kombinon rrjetet neurale me mësimin e përforcuar, në mënyrë që një agjent të mësojë duke bashkëvepruar me një mjedis, popullarizuar nga puna e Mnih dhe kolegëve në vitin 2015 në Nature mbi kontrollin në nivel njerëzor të lojërave Atari. Në vend që të mësojë nga një grup i fiksuar i të dhënave të etiketuara, agjenti ndërmerr veprime, vëzhgon shpërblime dhe gradualisht formëson një politikë që maksimizon kthimin afatgjatë.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
Burimet
- Mnih, V. et al. (2015). Human-Level Control through Deep Reinforcement Learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
- Schulman, J. et al. (2017). Proximal Policy Optimization Algorithms. arXiv:1707.06347. link ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/sq/deep-learning/deep-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.
- Kërkimi i Arkitekturës NeuraleMësimi i thellë↔ compare
- Pylli i RastësishëmMësimi i makinës↔ compare
- Rrjeti Nervor RekurentMësimi i thellë↔ compare
- XGBoostMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →