Metode gradijenta politike
Metode gradijenta politike su algoritmi za mažinsko učenje sa povratnom spregom koji direktno optimizuju parametrizovanu politiku putem gradijentnog uspona na očekivani povrat, umesto učenja vrednosti akcija i delovanja pohlepno. Zasnovane na Ronald Williamsovom REINFORCE algoritmu iz 1992. godine i teoremi gradijenta politike Suttona i saradnika (2000), prirodno rukuju stohastičkim i kontinuiranim prostorima akcija i činom osnovu modernih actor-critic i deep-RL algoritama.
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
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Policy Gradient Methods (REINFORCE / Actor-Critic). ScholarGate. https://scholargate.app/sr/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.
- Konveksna optimizacijaOptimizacija↔ compare
- Дубоко појачавајуће учењеDuboko učenje↔ compare
- Q-učenjeMašinsko učenje↔ compare
- Stohastički gradijentni spust (SGD)Mašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →