Q-Learning
Q-learning ซึ่งนำเสนอโดย Christopher Watkins และ Peter Dayan ในปี 1992 เป็นอัลกอริทึมการเรียนรู้แบบเสริมกำลัง (reinforcement-learning) ที่ไม่ต้องใช้แบบจำลอง (model-free) ซึ่งเรียนรู้คุณค่าของการกระทำแต่ละอย่างในแต่ละสถานะ — ฟังก์ชัน Q — จากประสบการณ์โดยตรง โดยไม่ต้องอาศัยแบบจำลองของสภาพแวดล้อม เป็นแบบนอกนโยบาย (off-policy): เรียนรู้ค่าการกระทำที่เหมาะสมที่สุดในขณะที่ดำเนินตามนโยบายพฤติกรรมการสำรวจ และภายใต้เงื่อนไขมาตรฐาน สามารถพิสูจน์ได้ว่าลู่เข้าสู่นโยบายที่เหมาะสมที่สุด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/th/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.
- การเรียนรู้แบบเสริมกำลังเชิงลึกการเรียนรู้เชิงลึก↔ compare
- การโปรแกรมเชิงพลวัตการหาค่าเหมาะที่สุด↔ compare
- ระเบียบวิธีเกรเดียนต์นโยบายการเรียนรู้ของเครื่อง↔ compare