Q-učenje
Q-učenje, koje su 1992. godine predstavili Kristofer Votkins i Piter Dejan, je algoritam mašinskog učenja sa pojačanjem bez modela koji uči vrednost preduzimanja svake akcije u svakom stanju — Q-funkciju — isključivo iz iskustva, bez modela okruženja. Ono je "off-policy": uči optimalne vrednosti akcija prateći politiku istraživanja, i pod standardnim uslovima dokazano konvergira ka optimalnoj politici.
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
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/sr/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.
- Дубоко појачавајуће учењеDuboko učenje↔ compare
- Dinamičko programiranjeOptimizacija↔ compare
- Metode gradijenta politikeMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →