Presná definícia
Čo znamená učenie Monte Carlo?
Učenie Monte Carlo odhaduje hodnoty alebo zlepšuje politiku z úplných návratností dokončených epizód bez bootstrapovania z vlastného odhadu. Je model-free, no musí čakať na výsledok epizódy a máva vyšší rozptyl.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Agent po skončení simulovanej zákazky priradí každému navštívenému stavu realizovaný návrat. Tím priemeruje viac semien a porovnáva first-visit a every-visit variant.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo presne znamená učenie Monte Carlo?
Učenie Monte Carlo odhaduje hodnoty alebo zlepšuje politiku z úplných návratností dokončených epizód bez bootstrapovania z vlastného odhadu.
Kedy sa učenie Monte Carlo používa?
Agent po skončení simulovanej zákazky priradí každému navštívenému stavu realizovaný návrat.
Od čoho treba učenie Monte Carlo odlíšiť?
TD learning bootstrapuje z ďalšej hodnoty; Monte Carlo learning používa skutočný návrat až do konca epizódy.
Ako sa učenie Monte Carlo kontroluje?
Kontroluje sa definícia epizódy, diskont, návštevy stavov, exploring starts alebo coverage, rozptyl a priemerovanie.
Aké obmedzenie má učenie Monte Carlo?
Pri dlhých či nekončiacich úlohách sú návratnosti oneskorené a veľmi variabilné, čo spomaľuje učenie.