Q-Learning
Q-learning, i prezantuar nga Christopher Watkins dhe Peter Dayan në vitin 1992, është një algoritëm i të mësuarit me përforcim pa model, i cili mëson vlerën e ndërmarrjes së çdo veprimi në çdo gjendje — funksionin Q — thjesht nga përvoja, pa një model të mjedisit. Ai është "off-policy": mëson vlerat optimale të veprimit ndërsa ndjek një politikë sjelljeje eksploruese, dhe në kushte standarde vërtetohet se konvergjon drejt politikës optimale.
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
- 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
Si ta citoni këtë faqe
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/sq/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.
- Mësimi i thellë i përforcuarMësimi i thellë↔ compare
- Programim DinamikOptimizimi↔ compare
- Metodat e Gradientit të PolitikësMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →