เปรียบเทียบวิธี

	การเรียนรู้แบบเสริมกำลังเชิงลึก	ระเบียบวิธีเกรเดียนต์นโยบาย
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2015	1992
ผู้ริเริ่ม	Mnih, V. et al. (DQN)	Ronald Williams (REINFORCE); Sutton et al. (policy gradient theorem)
ประเภท	Sequential decision-making (agent–environment interaction)	Policy-based reinforcement learning
แหล่งต้นตำรับ	Mnih, V. et al. (2015). Human-Level Control through Deep Reinforcement Learning. Nature, 518, 529–533.	Williams, R. J. (1992). Simple statistical gradient-following algorithms for connectionist reinforcement learning. Machine Learning, 8(3–4), 229–256.
ชื่อเรียกอื่น	Derin Pekiştirmeli Öğrenme (DQN / PPO / A3C), derin pekiştirmeli öğrenme, deep RL, DRL	REINFORCE, actor-critic, policy optimization, politika gradyanı
ที่เกี่ยวข้อง	4	4
สรุป	Deep Reinforcement Learning combines neural networks with reinforcement learning so an agent learns by interacting with an environment, popularised by Mnih and colleagues' 2015 Nature work on human-level Atari control. Instead of learning from a fixed labelled dataset, the agent takes actions, observes rewards, and gradually shapes a policy that maximises long-run return.	Policy gradient methods are reinforcement-learning algorithms that optimize a parameterized policy directly by gradient ascent on the expected return, rather than learning action-values and acting greedily. Founded on Ronald Williams' 1992 REINFORCE algorithm and the policy gradient theorem of Sutton and colleagues (2000), they naturally handle stochastic and continuous action spaces and underpin modern actor-critic and deep-RL algorithms.