нейрохаб.рфСправка
← Справка

Обучение с подкреплением (RL)

Обучение стратегии действий по сигналу вознаграждения. Цель — повысить ожидаемую суммарную награду; её неудачный выбор может поощрять нежелательное поведение.

На практике

Система выбирает действия и получает оценку результата — награду. Например, агент в симуляции учится выбирать последовательность действий, которая чаще приводит к цели.

Что учитывать

Если награда плохо отражает задачу, система может научиться получать высокий балл без полезного поведения. Проверяют не только награду, но и фактический результат.