Table des matières:
Définition - Que signifie Deep Q-Networks?
Les réseaux Deep Q (DQN) sont des réseaux de neurones (et / ou des outils associés) qui utilisent l'apprentissage Q approfondi afin de fournir des modèles tels que la simulation de jeux vidéo intelligents. Plutôt que d'être un nom spécifique pour une construction de réseau neuronal spécifique, Deep Q Networks peut être composé de réseaux neuronaux convolutionnels et d'autres structures qui utilisent des méthodes spécifiques pour en savoir plus sur divers processus.
Techopedia explique Deep Q-Networks
La méthode d'apprentissage approfondi du Q utilise généralement quelque chose appelé itération générale des politiques, décrite comme la conjonction de l'évaluation des politiques et de l'itération des politiques, pour apprendre les politiques à partir d'un apport sensoriel de grande dimension.
Par exemple, un type commun de réseau Q profond couvert dans des publications techniques comme Medium utilise les données sensorielles des jeux vidéo Atari 2600 pour modéliser les résultats. Cela se fait à un niveau très fondamental en rassemblant des échantillons, en les stockant et en les utilisant pour une relecture d'expérience afin de mettre à jour le réseau Q.
D'une manière générale, les réseaux Q profonds s'entraînent sur des entrées qui représentent des acteurs actifs dans des domaines ou d'autres échantillons expérimentés et apprennent à faire correspondre ces données avec les sorties souhaitées. C'est une méthode puissante dans le développement de l'intelligence artificielle qui peut jouer à des jeux comme les échecs à un niveau élevé, ou effectuer d'autres activités cognitives de haut niveau - l'exemple d'Atari ou de jeu vidéo d'échecs est également un bon exemple de la façon dont l'IA utilise le types d'interfaces traditionnellement utilisées par les agents humains.
En d'autres termes, avec un apprentissage Q approfondi, le joueur IA devient plus comme un joueur humain en apprenant à atteindre les résultats souhaités.
