การเรียนรู้แบบเสริมกำลังเชิงลึก
การเรียนรู้แบบเสริมกำลังเชิงลึก (Deep Reinforcement Learning) ผสมผสานโครงข่ายประสาทเทียมเข้ากับการเรียนรู้แบบเสริมกำลัง เพื่อให้เอเจนต์เรียนรู้ผ่านการปฏิสัมพันธ์กับสภาพแวดล้อม ซึ่งได้รับความนิยมจากผลงานของ Mnih และคณะ ในปี 2015 ในวารสาร Nature เกี่ยวกับการควบคุมเกม Atari ในระดับมนุษย์ แทนที่จะเรียนรู้จากชุดข้อมูลที่มีป้ายกำกับตายตัว เอเจนต์จะดำเนินการ สังเกตผลตอบแทน และค่อยๆ ปรับปรุงนโยบาย (policy) ที่จะเพิ่มผลตอบแทนระยะยาวให้สูงสุด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Deep Reinforcement Learning (DQN / PPO / A3C). ScholarGate. https://scholargate.app/th/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.
- การค้นหาสถาปัตยกรรมโครงข่ายประสาทเทียมการเรียนรู้เชิงลึก↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- โครงข่ายประสาทเทียมแบบเวียนซ้ำ (Recurrent Neural Network - RNN)การเรียนรู้เชิงลึก↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare