Deep reinforcement learning (original) (raw)
التعلم المعزز العميق (بالإنكليزية: Deep RL) هو مجال فرعي من التعلم الآلي يجمع بين التعلم المعزز (آر إل) والتعلم العميق. يدرس التعليم المعزز مسألة تعلم الوكيل الحسابي لاتخاذ القرارات عن طريق التجربة والخطأ. يدمج التعليم المعزز العميق التعلم العميق في الحل، ما يسمح للوكلاء باتخاذ قرارات من بيانات مدخلة غير المهيكلة دون هندسة يدوية لفضاء الحالة. تعد خوارزميات التعليم المعزز العميقة قادرة على استيعاب مدخلات كبيرة جدًا (يعرض كل بكسل مثلًا على الشاشة في لعبة فيديو) وتحديد الإجراءات التي يجب تنفيذها لتحسين الهدف (تعظيم نتيجة اللعبة). استخدم التعلم المعزز العميق لمجموعة متنوعة من التطبيقات تشمل على سبيل المثال لا الحصر الروبوتات، وألعاب الفيديو، ومعالجة اللغة الطبيعية، والرؤية الحاسوبية، والتعليم، والنقل، والتمويل والرعاية الصحية.
| Property | Value |
|---|---|
| dbo:abstract | التعلم المعزز العميق (بالإنكليزية: Deep RL) هو مجال فرعي من التعلم الآلي يجمع بين التعلم المعزز (آر إل) والتعلم العميق. يدرس التعليم المعزز مسألة تعلم الوكيل الحسابي لاتخاذ القرارات عن طريق التجربة والخطأ. يدمج التعليم المعزز العميق التعلم العميق في الحل، ما يسمح للوكلاء باتخاذ قرارات من بيانات مدخلة غير المهيكلة دون هندسة يدوية لفضاء الحالة. تعد خوارزميات التعليم المعزز العميقة قادرة على استيعاب مدخلات كبيرة جدًا (يعرض كل بكسل مثلًا على الشاشة في لعبة فيديو) وتحديد الإجراءات التي يجب تنفيذها لتحسين الهدف (تعظيم نتيجة اللعبة). استخدم التعلم المعزز العميق لمجموعة متنوعة من التطبيقات تشمل على سبيل المثال لا الحصر الروبوتات، وألعاب الفيديو، ومعالجة اللغة الطبيعية، والرؤية الحاسوبية، والتعليم، والنقل، والتمويل والرعاية الصحية. (ar) Deep reinforcement learning (deep RL) is a subfield of machine learning that combines reinforcement learning (RL) and deep learning. RL considers the problem of a computational agent learning to make decisions by trial and error. Deep RL incorporates deep learning into the solution, allowing agents to make decisions from unstructured input data without manual engineering of the state space. Deep RL algorithms are able to take in very large inputs (e.g. every pixel rendered to the screen in a video game) and decide what actions to perform to optimize an objective (e.g. maximizing the game score). Deep reinforcement learning has been used for a diverse set of applications including but not limited to robotics, video games, natural language processing, computer vision, education, transportation, finance and healthcare. (en) L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique qui apprend à prendre des décisions par essais et erreurs. L'apprentissage par renforcement profond intègre l'apprentissage profond dans la résolution, permettant aux agents de prendre des décisions à partir de données d'entrée non structurées sans intervention manuelle sur l'espace des états. Les algorithmes d'apprentissage par renforcement profond sont capables de prendre en compte de très grandes quantités de données (par exemple, chaque pixel affiché à l'écran dans un jeu vidéo) et de décider des actions à effectuer pour optimiser un objectif (par exemple, maximiser le score du jeu). L'apprentissage par renforcement profond a été utilisé pour diverses d'applications, y compris, de manière non exhaustive, la robotique , les jeux vidéo, le traitement du langage naturel, la vision par ordinateur, l'éducation, les transports, la finance et la santé. (fr) 深度強化學習（英語：Deep reinforcement learning，簡稱 Deep RL 或 DRL）是機器學習的一個子領域，結合了強化學習和深度學習。強化學習探討如何在嘗試錯誤的過程中讓智慧型代理人學習做更好的決策。深度強化學習採用了深度學習的方法，讓智慧型代理人可以直接基於非結構化資料來做決策，而不需要人為設計的狀態空間。深度強化學習演算法可以讀取非常大的輸入資料（像是電玩畫面上的每個像素），來判斷哪個動作可以達到最好的目標（像是最高的遊戲分數）。深度強化學習已經有了廣泛的應用，包括機器人學、電動遊戲、自然語言處理、電腦視覺、教育、交通運輸、金融、醫療衛生等等。 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Neural_network_example.svg?width=300 |
| dbo:wikiPageID | 60105148 (xsd:integer) |
| dbo:wikiPageLength | 26786 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1123269873 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Carnegie_Mellon_University dbr:Q-learning dbr:Robotics dbr:Natural_language_processing dbr:Neural_network dbr:OpenAI_Five dbr:DeepMind dbr:Apprenticeship_learning dbr:Richard_S._Sutton dbc:Reinforcement_learning dbr:Deep_learning dbc:Artificial_intelligence dbr:Go_(game) dbr:Monte_Carlo_methods dbr:Convolutional_neural_network dbr:Cross-entropy_method dbr:State_space dbr:Andrew_Barto dbr:Machine_learning dbr:Shogi dbr:Computer_vision dbr:Feature_engineering dbr:Temporal_difference_learning dbr:Backgammon dbc:Machine_learning_algorithms dbr:Dynamic_programming dbr:AlphaGo dbr:AlphaZero dbr:Normal_distribution dbr:Dimitri_Bertsekas dbr:John_Tsitsiklis dbr:Video_game dbr:Reinforcement_learning dbr:Health_care dbr:Texas_hold_'em dbr:TD-Gammon dbr:Artificial_neural_network dbr:Atari dbr:Chess dbr:Dota_2 dbc:Deep_learning dbr:Boltzmann_distribution dbr:Poker dbr:Optimal_control dbr:Loon_LLC dbr:Markov_decision_process dbr:Model_predictive_control dbr:Multi-agent_reinforcement_learning dbr:Pluribus_(poker_bot) dbr:MuZero dbr:Supervised_learning dbr:Autonomous_driving dbr:Representation_learning dbr:File:Markov_diagram_v2.svg dbr:File:Neural_network_example.svg |
| dbp:wikiPageUsesTemplate | dbt:Short_description dbt:Machine_learning |
| dct:subject | dbc:Reinforcement_learning dbc:Artificial_intelligence dbc:Machine_learning_algorithms dbc:Deep_learning |
| rdfs:comment | التعلم المعزز العميق (بالإنكليزية: Deep RL) هو مجال فرعي من التعلم الآلي يجمع بين التعلم المعزز (آر إل) والتعلم العميق. يدرس التعليم المعزز مسألة تعلم الوكيل الحسابي لاتخاذ القرارات عن طريق التجربة والخطأ. يدمج التعليم المعزز العميق التعلم العميق في الحل، ما يسمح للوكلاء باتخاذ قرارات من بيانات مدخلة غير المهيكلة دون هندسة يدوية لفضاء الحالة. تعد خوارزميات التعليم المعزز العميقة قادرة على استيعاب مدخلات كبيرة جدًا (يعرض كل بكسل مثلًا على الشاشة في لعبة فيديو) وتحديد الإجراءات التي يجب تنفيذها لتحسين الهدف (تعظيم نتيجة اللعبة). استخدم التعلم المعزز العميق لمجموعة متنوعة من التطبيقات تشمل على سبيل المثال لا الحصر الروبوتات، وألعاب الفيديو، ومعالجة اللغة الطبيعية، والرؤية الحاسوبية، والتعليم، والنقل، والتمويل والرعاية الصحية. (ar) 深度強化學習（英語：Deep reinforcement learning，簡稱 Deep RL 或 DRL）是機器學習的一個子領域，結合了強化學習和深度學習。強化學習探討如何在嘗試錯誤的過程中讓智慧型代理人學習做更好的決策。深度強化學習採用了深度學習的方法，讓智慧型代理人可以直接基於非結構化資料來做決策，而不需要人為設計的狀態空間。深度強化學習演算法可以讀取非常大的輸入資料（像是電玩畫面上的每個像素），來判斷哪個動作可以達到最好的目標（像是最高的遊戲分數）。深度強化學習已經有了廣泛的應用，包括機器人學、電動遊戲、自然語言處理、電腦視覺、教育、交通運輸、金融、醫療衛生等等。 (zh) Deep reinforcement learning (deep RL) is a subfield of machine learning that combines reinforcement learning (RL) and deep learning. RL considers the problem of a computational agent learning to make decisions by trial and error. Deep RL incorporates deep learning into the solution, allowing agents to make decisions from unstructured input data without manual engineering of the state space. Deep RL algorithms are able to take in very large inputs (e.g. every pixel rendered to the screen in a video game) and decide what actions to perform to optimize an objective (e.g. maximizing the game score). Deep reinforcement learning has been used for a diverse set of applications including but not limited to robotics, video games, natural language processing, computer vision, education, transportati (en) L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique qui apprend à prendre des décisions par essais et erreurs. L'apprentissage par renforcement profond intègre l'apprentissage profond dans la résolution, permettant aux agents de prendre des décisions à partir de données d'entrée non structurées sans intervention manuelle sur l'espace des états. Les algorithmes d'apprentissage par renforcement profond sont capables de prendre en compte de très grandes quantités de données (par exemple, cha (fr) |
| rdfs:label | تعليم معزز عميق (ar) Deep reinforcement learning (en) Apprentissage par renforcement profond (fr) 深度强化学习 (zh) |
| owl:sameAs | wikidata:Deep reinforcement learning dbpedia-ar:Deep reinforcement learning dbpedia-fa:Deep reinforcement learning dbpedia-fr:Deep reinforcement learning dbpedia-zh:Deep reinforcement learning https://global.dbpedia.org/id/5k1hg |
| prov:wasDerivedFrom | wikipedia-en:Deep_reinforcement_learning?oldid=1123269873&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Neural_network_example.svg wiki-commons:Special:FilePath/Markov_diagram_v2.svg |
| foaf:isPrimaryTopicOf | wikipedia-en:Deep_reinforcement_learning |
| is dbo:academicDiscipline of | dbr:Pieter_Abbeel |
| is dbo:knownFor of | dbr:Chelsea_Finn |
| is dbo:wikiPageRedirects of | dbr:Goal-conditioned_reinforcement_learning dbr:End-to-end_reinforcement_learning |
| is dbo:wikiPageWikiLink of | dbr:DARPA_AlphaDogfight dbr:Deep_learning dbr:Chelsea_Finn dbr:General_game_playing dbr:Goal-conditioned_reinforcement_learning dbr:Computer_chess dbr:History_of_chess_engines dbr:Keith_W._Ross dbr:Reinforcement_learning dbr:End-to-end_reinforcement_learning dbr:Microgrid dbr:Multi-agent_reinforcement_learning dbr:Synthetic_media dbr:Pieter_Abbeel |
| is dbp:fields of | dbr:Pieter_Abbeel |
| is dbp:knownFor of | dbr:Chelsea_Finn |
| is foaf:primaryTopic of | wikipedia-en:Deep_reinforcement_learning |
