Πίνακας περιεχομένων:
Ορισμός - Τι σημαίνουν τα Deep Q-Networks;
Τα Deep Q Networks (DQN) είναι νευρωνικά δίκτυα (ή / και συναφή εργαλεία) που χρησιμοποιούν βαθιά Q learning για να παρέχουν μοντέλα όπως η προσομοίωση του έξυπνου παιχνιδιού βιντεοπαιχνιδιών. Αντί να είναι ένα συγκεκριμένο όνομα για μια συγκεκριμένη δημιουργία νευρωνικών δικτύων, το Deep Q Networks μπορεί να αποτελείται από συνελικτικά νευρωνικά δίκτυα και άλλες δομές που χρησιμοποιούν συγκεκριμένες μεθόδους για να μάθουν για διάφορες διαδικασίες.
Η Techopedia εξηγεί τα Deep Q-Networks
Η μέθοδος της βαθιάς Q μάθησης συνήθως χρησιμοποιεί κάτι που ονομάζεται επανάληψη γενικής πολιτικής, που περιγράφεται ως ο συνδυασμός της αξιολόγησης πολιτικής και της επανάληψης της πολιτικής, για να μάθουμε τις πολιτικές από τις αισθητικές εισροές με μεγάλη διάσταση.
Για παράδειγμα, ένας κοινός τύπος δικτύου βαθιάς Q που καλύπτεται σε τεχνολογικές εκδόσεις, όπως το Medium, παίρνει αισθητήρια στοιχεία από τα βιντεοπαιχνίδια Atari 2600 σε μοντέλα αποτελεσμάτων. Αυτό γίνεται σε ένα πολύ θεμελιώδες επίπεδο, συλλέγοντας δείγματα, αποθηκεύοντάς τα και χρησιμοποιώντας τα για επανάληψη της εμπειρίας για την ενημέρωση του δικτύου Q.
Με μια γενική έννοια, τα βαθιά δίκτυα Q τρέχουν σε εισόδους που αντιπροσωπεύουν ενεργούς παίκτες σε περιοχές ή άλλα έμπειρα δείγματα και μαθαίνουν να ταιριάζουν με αυτά τα δεδομένα με τις επιθυμητές εξόδους. Αυτή είναι μια ισχυρή μέθοδος για την ανάπτυξη της τεχνητής νοημοσύνης που μπορεί να παίξει παιχνίδια όπως το σκάκι σε υψηλό επίπεδο ή να διεξάγει άλλες γνωστικές δραστηριότητες υψηλού επιπέδου - το παράδειγμα παιχνιδιού Atari ή σκακιού είναι επίσης ένα καλό παράδειγμα του τρόπου με τον οποίο το AI χρησιμοποιεί τύπους διεπαφών που παραδοσιακά χρησιμοποιούνται από ανθρώπινους παράγοντες.
Με άλλα λόγια, με την βαθιά μάθηση Q, ο παίκτης του AI παίρνει περισσότερο σαν ένας άνθρωπος παίκτης, μαθαίνοντας να επιτύχει τα επιθυμητά αποτελέσματα.
