知识卡片
强化学习从交互回报改进策略
强化学习让智能体在环境中选择动作,依据奖励反馈改进策略,以提高长期累计回报。动作既影响即时奖励,也改变未来状态,所以任务不只是预测标签或挑当前最大收益。奖励是评价信号,不直接给出每一步的正确动作;回报目标设计不当也可能学到偏离实际意图的行为。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 强化学习(Reinforcement Learning,RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智 · 查看原书依据
Unknown 强化学习(Reinforcement Learning,RL),又称再励学习、评价学习或增强学习,是机器学习的范式和方法论之一,用于描述和解决智能体(Agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题[1]。
参考来源
- 位置:《智能算法导论》第 200 项《强化学习导言》(源文件:`_epub-src/EPUB/xhtml/chapter21_0001.xhtml`)
- 结论依据:正文以智能体、环境、策略与回报定义任务,卡片明确长期影响及奖励设计边界;无监督标签和历史成就的概括未作为定义。
- 原始内容:强化学习……用于描述和解决智能体(Agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。