অপ্টিমাইজেশনের জন্য রিইনফোর্সমেন্ট লার্নিং

নীতিমালা অপ্টিমাইজেশন

শক্তিবৃদ্ধি শিক্ষণে পদ্ধতির একটি শ্রেণী যা সরাসরি নীতিমালা অপ্টিমাইজ করে একটি মান ফাংশনের মাধ্যমে না গিয়ে, প্রায়শই নীতিমালা গ্রেডিয়েন্ট কৌশল ব্যবহার করে।

← ফিরে যান