Q-learning
Q-learning, introducerat av Christopher Watkins och Peter Dayan 1992, är en modellfri förstärkningsinlärningsalgoritm som lär sig värdet av att vidta varje åtgärd i varje tillstånd — Q-funktionen — enbart från erfarenhet, utan en modell av miljön. Den är off-policy: den lär sig de optimala åtgärdsvärdena medan den följer en utforskande beteendepolicy, och under standardförhållanden konvergerar den bevisligen mot den optimala policyn.
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
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/sv/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.
- Djup förstärkningsinlärningDjupinlärning↔ compare
- Dynamisk programmeringOptimering↔ compare
- Policy gradient-metoderMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →