Дубоко појачавајуће учење
Дубоко појачавајуће учење (Deep Reinforcement Learning) комбинује неуронске мреже са појачавајућим учењем како би агент научио интеракцијом са окружењем, а популаризовано је радом Mnih-а и колега из 2015. године у часопису Nature, који се односио на контролу игара на Атарију на нивоу човека. Уместо учења из фиксног, обележеног скупа података, агент предузима акције, посматра награде и постепено обликује стратегију (policy) која максимизира дугорочни повраћај.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/sr/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.
- Pretraga neuronske arhitektureDuboko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Рекурентна неуронска мрежаDuboko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →