Обучение с подкреплением является направленным на достижение цели вычислительным подходом, где агент учится выполнять задачу путем взаимодействия с неизвестной динамической средой. Во время обучения алгоритм обучения обновляет параметры политики агента. Цель алгоритма обучения состоит в том, чтобы найти оптимальную политику, которая максимизирует долгосрочное вознаграждение, полученное во время задачи.
В зависимости от типа агента политика представлена одним или несколькими представления функции ценности и политика. Можно реализовать эти представления с помощью глубоких нейронных сетей. Можно затем обучить эти сети с помощью пакета Reinforcement Learning Toolbox™.
Для получения дополнительной информации смотрите, что Обучение с подкреплением Использует Глубокие нейронные сети.
Обучение с подкреплением Используя глубокие нейронные сети
Обучение с подкреплением является направленным на достижение цели вычислительным подходом, где компьютер учится выполнять задачу путем взаимодействия с неизвестной динамической средой.
Создайте среду Simulink и Обучите Агента
Обучите диспетчера, использующего обучение с подкреплением с объектом, смоделированным в Simulink® как учебная среда.
Создайте агента Используя Deep Network Designer и обучайтесь Используя наблюдения изображений
Создайте агента обучения с подкреплением с помощью приложения Deep Network Designer от Deep Learning Toolbox™.
Обучите агента DDPG к Swing и маятнику баланса с наблюдением изображений
Обучите агента обучения с подкреплением с помощью основанного на изображении сигнала наблюдения.
Обучайтесь агент DQN для хранения маршрута помогают Используя параллельные вычисления
Обучайтесь агент обучения с подкреплением для хранения маршрута помогают приложению.
Подражайте контроллер MPC для хранения маршрута помогают
Обучите глубокую нейронную сеть подражать поведению прогнозирующего контроллера модели.
