Tanuló automatona
term_id: learning_automaton
Category: training_techniques
Definition
Ez a fogalom a megerősítéses tanulásból ered, és egy ismeretlen környezettel interakcióba lépő ügynököt foglal magában. Az automata egy véges halmazból választ cselekvéseket, és büntetést vagy jutalmat kap.
Summary
Egy tanulómatazona egy egyszerű, sztochasztikus döntéshozó egység, amely iteratívan frissíti cselekvési valószínűségeit a környezeti visszacsatolás alapján a jutalom maximalizálása érdekében.
Key Concepts
- Cselekvési valószínűségi vektor
- Jutalom/büntető jel
- Sztochasztikus optimalizálás
Use Cases
- Erőforrás-allokációs problémák
- Hálózati útválasztás optimalizálása
- Egyszerű vezérlőrendszerek