Q-Learning
Q-learning, запроваджений Крістофером Воткінсом та Пітером Дейяном у 1992 році, є алгоритмом навчання з підкріпленням без моделі, який вивчає цінність виконання кожної дії в кожному стані — Q-функцію — виключно на основі досвіду, без моделі середовища. Він є off-policy: вивчає оптимальні значення дій, дотримуючись політики дослідження, і за стандартних умов доведено збігається до оптимальної політики.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Q-Learning (Off-Policy Temporal-Difference Control). ScholarGate. https://scholargate.app/uk/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.
- Глибоке навчання з підкріпленнямГлибоке навчання↔ compare
- Динамічне програмуванняОптимізація↔ compare
- Методи градієнта політикиМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →