Metodat e Gradientit të Politikës
Metodat e gradientit të politikës janë algoritme të mësimit të përforcuar që optimizojnë drejtpërdrejt një politikë të parametrizuar duke përdorur ngjitjen e gradientit mbi kthimin e pritur, në vend që të mësojnë vlerat e veprimeve dhe të veprojnë lakmisht. E themeluar në algoritmin REINFORCE të Ronald Williams të vitit 1992 dhe teoremën e gradientit të politikës të Sutton dhe kolegëve (2000), ato trajtojnë natyrshëm hapësirat e veprimeve stokastike dhe të vazhdueshme dhe përbëjnë bazën e algoritmeve modernë aktor-kritik dhe RL të thellë.
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
- 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 ↗
Si ta citoni këtë faqe
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/sq/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.
- Optimizimi KonveksOptimizimi↔ compare
- Mësimi i thellë i përforcuarMësimi i thellë↔ compare
- Q-LearningMësimi i makinës↔ compare
- Zbjarja e Gradientit Stokastik (SGD)Mësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →