La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Reinforcement learning

Entrene agentes de redes neuronales profundas interactuando con un entorno dinámico desconocido

El reinforcement learning es un enfoque computacional orientado a objetivos en el que un agente aprende a realizar una tarea interactuando con un entorno dinámico desconocido. Durante el entrenamiento, el algoritmo de aprendizaje actualiza los parámetros de la política del agente. El objetivo del algoritmo de aprendizaje es encontrar la política más adecuada que maximice la recompensa a largo plazo recibida durante la tarea.

Dependiendo del tipo de agente, la política se representa mediante una o más representaciones de funciones de política y de valor. Puede implementar estas representaciones mediante redes neuronales profundas. Puede entrenar estas redes con el software Reinforcement Learning Toolbox™.

Para obtener más información, consulte Reinforcement Learning Using Deep Neural Networks.

Temas

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.