ScholarGate
助手
Machine learningDeep learning / NLP / CV

强化学习

强化学习（RL）是一个框架，其中智能体通过与环境交互、接收标量奖励信号并更新策略以最大化累积未来奖励来学习进行序贯决策。与监督学习不同，不提供标记示例；智能体完全通过经验和延迟反馈来发现最优行为。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

登录

Method map

The neighbourhood of related methods — select a node to explore.

强化学习
策略梯度方法循环神经网络基于智能体的动态规划贝叶斯动态规划可解释强化学习微调强化学习多语言强化学习多模态强化学习自监督强化学习半监督强化学习

+2 more

来源

  1. Sutton, R. S. & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. ISBN: 978-0-262-03924-6
  2. Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518, 529–533. DOI: 10.1038/nature14236 ↗

如何引用本页

ScholarGate. (2026, June 3). Reinforcement Learning (Agent-Environment Reward Optimization). ScholarGate. https://scholargate.app/zh/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.

Compare side by side →

被引用于

基于智能体的动态规划贝叶斯动态规划可解释强化学习微调强化学习多语言强化学习多模态强化学习自监督强化学习半监督强化学习迁移学习与强化学习 (Transfer RL) 是一种训练范式，其中代理在一个或多个源任务中获得的知识弱监督强化学习

发现本页有问题？报告或提出修改建议 →

ScholarGate — Reinforcement Learning (Reinforcement Learning (Agent-Environment Reward Optimization)). 于 2026-06-15 检索自 https://scholargate.app/zh/deep-learning/reinforcement-learning · 数据集： https://doi.org/10.5281/zenodo.20539026