La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Apprendimento di rinforzo

Addestrare gli agenti delle reti neurali profonde interagendo con un ambiente dinamico sconosciuto

L'apprendimento di rinforzo è un approccio di calcolo orientato agli obiettivi in cui un agente impara a svolgere un’attività interagendo con un ambiente dinamico sconosciuto. Durante l'addestramento, l'algoritmo di apprendimento aggiorna i parametri della politica dell'agente. L'obiettivo dell'algoritmo di apprendimento è trovare una politica ottimale che massimizzi il riconoscimento a lungo termine ricevuto durante l’attività.

A seconda del tipo di agente, la politica è rappresentata da una o più rappresentazioni della politica e della funzione di valore. È possibile implementare queste rappresentazioni utilizzando le reti neurali profonde. È quindi possibile addestrare queste reti utilizzando il software Reinforcement Learning Toolbox™.

Per ulteriori informazioni, vedere Reinforcement Learning Using Deep Neural Networks.

Argomenti

Reinforcement Learning Using Deep Neural Networks
Reinforcement learning is a goal-directed computational approach where a computer learns to perform a task by interacting with an unknown dynamic environment.
Control Water Level in a Tank Using a DDPG Agent
Train a controller using reinforcement learning with a plant modeled in Simulink^® as the training environment.
Create DQN Agent Using Deep Network Designer and Train Using Image Observations
Create a reinforcement learning agent using the Deep Network Designer app from the Deep Learning Toolbox™.
Train DDPG Agent to Swing Up and Balance Pendulum with Image Observation
Train a reinforcement learning agent using an image-based observation signal.
Train DQN Agent for Lane Keeping Assist Using Parallel Computing
Train a reinforcement learning agent for a lane keeping assist application.
Imitate MPC Controller for Lane Keeping Assist
Train a deep neural network to imitate the behavior of a model predictive controller.