Učenje pojačavanjem
Učenje pojačavanjem (RL) je okvir u kojem agent uči donositi sekvencijalne odluke interakcijom s okolinom, primajući skalarne signale nagrade i ažurirajući politiku kako bi maksimizirao kumulativnu buduću nagradu. Za razliku od nadziranog učenja, ne pružaju se označeni primjeri; agent otkriva optimalno ponašanje isključivo kroz iskustvo i odgođenu povratnu informaciju.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Izvori
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/sr/deep-learning/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.
- Metode gradijenta politikeMašinsko učenje↔ compare
- Рекурентна неуронска мрежаDuboko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →