REINFORCE

REINFORCE (Monte Carlo Policy Gradient)

Türkçe: REINFORCE Algoritması

Ayrıntılı Tanım

Williams tarafından önerilen, bir bölümün (episode) baştan sona tamamlanmasını bekleyip elde edilen toplam kümülatif getiriye göre politika parametrelerini güncelleyen en temel Monte Carlo politika gradyanı algoritmasıdır.

Ne İşe Yarar / Çözülen Problem

Ara adımlarda karmaşık değer tahmin modellerine ihtiyaç duymadan doğrudan nihai sonuca bakarak ajanın eğitilmesini sağlar.

Nasıl Çalışır? (Teknik & Mekanizma)

Bölüm sonuna kadar oynanır, tüm adımların ödülleri toplanır (

G_t

). Gradyan adımı atılır:

\theta \leftarrow \theta + \alpha \sum_t \nabla_\theta \log \pi_\theta(a_t|s_t) G_t

Örnek Senaryo & Pratik Uygulama

Bir basketbolcunun şut antrenmanı: Topun elden çıkış anındaki açıları dener; top basket olursa o şuttaki tüm kas hareketlerinin tekrarlanma olasılığını artırır, kaçarsa azaltır.

Benzer Terimlerden Farkı

Adım adım (step-by-step) öğrenmez; bölümün bitmesini bekler (Monte Carlo). Bu nedenle varyansı oldukça yüksektir.

İlişkili Terimler (3)

#66

Policy Gradient

Politika Gradyanı Yöntemleri

#68

Actor-Critic

Aktör - Eleştirmen Mimarisi

#236

Proximal Policy Optimization (PPO)

Yakınsal Politika Optimizasyonu

Ait Olduğu Kategori

Klasik Makine Öğrenmesi ve İstatistiksel Kuram

Sembolik AI, GOFAI, karar ağaçları, regresyon ve temel istatistiksel modeller.

Toplam Terim:68 Madde

Bu Kategorideki Tüm Terimleri Gör →

Önceki Terim (#66)Policy Gradient

Sonraki Terim (#68)Actor-Critic