Djup förstärkningsinlärning
Djup förstärkningsinlärning kombinerar neurala nätverk med förstärkningsinlärning så att en agent lär sig genom att interagera med en miljö, populariserat av Mnih och kollegors Nature-arbete från 2015 om mänsklig nivåkontroll i Atari. Istället för att lära sig från en fast märkt datamängd, vidtar agenten åtgärder, observerar belöningar och formar gradvis en policy som maximerar långsiktig avkastning.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/sv/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.
- Neural Architecture SearchDjupinlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Återkommande neuralt nätverkDjupinlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →