Навчання з підкріпленням
Навчання з підкріпленням (RL) — це фреймворк, у якому агент навчається приймати послідовні рішення, взаємодіючи з середовищем, отримуючи скалярні сигнали винагороди та оновлюючи політику для максимізації кумулятивної майбутньої винагороди. На відміну від навчання з учителем, тут не надаються розмічені приклади; агент відкриває оптимальну поведінку виключно через досвід та відкладений зворотний зв'язок.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Джерела
- Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
- Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/uk/deep-learning/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.
- Методи градієнта політикиМашинне навчання↔ compare
- Рекурентна нейронна мережаГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →