Inhoud
- Definitie - Wat betekent Deep Q-Networks?
- Een inleiding tot Microsoft Azure en de Microsoft Cloud | In deze handleiding leert u wat cloud computing inhoudt en hoe Microsoft Azure u kan helpen bij het migreren en runnen van uw bedrijf vanuit de cloud.
- Techopedia verklaart Deep Q-Networks
Definitie - Wat betekent Deep Q-Networks?
Deep Q Networks (DQN) zijn neurale netwerken (en / of gerelateerde tools) die gebruikmaken van deep Q learning om modellen te bieden zoals de simulatie van intelligent spelen van videogames. In plaats van een specifieke naam te zijn voor een specifieke neurale netwerkopbouw, kan Deep Q Networks bestaan uit convolutionele neurale netwerken en andere structuren die specifieke methoden gebruiken om over verschillende processen te leren.
Een inleiding tot Microsoft Azure en de Microsoft Cloud | In deze handleiding leert u wat cloud computing inhoudt en hoe Microsoft Azure u kan helpen bij het migreren en runnen van uw bedrijf vanuit de cloud.
Techopedia verklaart Deep Q-Networks
De methode voor diepgaand leren gebruikt meestal iets dat algemene beleids iteratie wordt genoemd, beschreven als de combinatie van beleidsevaluatie en beleids iteratie, om beleid te leren van hoog dimensionale sensorische input.
Een veelgebruikt type deep Q-netwerk dat wordt behandeld in technische publicaties zoals Medium, neemt sensorische input van Atari 2600-videogames om de resultaten te modelleren. Dit wordt op een zeer fundamenteel niveau gedaan door monsters te verzamelen, op te slaan en ze te gebruiken voor het afspelen van ervaringen om het Q-netwerk bij te werken.
In algemene zin trainen deep Q-netwerken op ingangen die actieve spelers in gebieden of andere ervaren voorbeelden vertegenwoordigen en leren die gegevens aan gewenste uitgangen te koppelen. Dit is een krachtige methode bij de ontwikkeling van kunstmatige intelligentie die games zoals schaken op een hoog niveau kan spelen of andere cognitieve activiteiten op hoog niveau kan uitvoeren - het voorbeeld van het spelen van Atari of schaken is ook een goed voorbeeld van hoe AI de soorten interfaces die traditioneel werden gebruikt door menselijke agenten.
Met andere woorden, met diepgaand leren leert de AI-speler meer als een menselijke speler in het leren om de gewenste resultaten te bereiken.