Deep learning gives reinforcement-l

Deep learning gives reinforcement-learning (RL) the ability to scale-up to decision-making problems with high dimensional state and action spaces [59]. Deep RL basically depends on deep neural networks for approximating the optimal policy [59]. Deep RL can leverage the representation learning to deal with the problem of the curse of dimensionality [59]. For example, it can use the convolutional neural networks (CNNs) to learn from high dimensional raw data [59]. AlphaGo representsoneofthepromisingsuccessfordeepRL,whichdefeated the world champion in Go. AlphaGo depended on neural networks that were trained using supervised learning, RL and a traditional heuristic search algorithm [59].

Результаты (русский) 1:

Глубокое изучение дает усиливающее обучение (RL) способность к масштабу для задач принятия решений с высокими размерностью государственных и действиями пространств [59]. Deep RL в основном зависит от глубоких нейронных сетей для аппроксимации политики оптимальной [59]. Deep RL можно использовать представление обучения для решения проблемы проклятия размерности [59]. Например, он может использовать сверточные нейронные сети (CNNs), чтобы извлечь из высоких размерности исходных данных [59]. AlphaGo representsoneofthepromisingsuccessfordeepRL, whichdefeated чемпиона мира в Go. AlphaGo зависит от нейронных сетей, которые были обучены с помощью контролируемого обучения, RL и традиционный эвристический алгоритм поиска [59].

Результаты (русский) 2:

Глубокое обучение дает подкрепление-обучения (RL) способность к расширению до принятия решений проблемы с высоким размерным состоянием и действия пространства . Глубокий RL в основном зависит от глубоких нейронных сетей для приближения оптимальной политики. Глубокий RL может использовать представление обучения для решения проблемы проклятия мерности . Например, он может использовать конволюционные нейронные сети (CNN), чтобы учиться на высокомерных необработанных данных. AlphaGo представляетoneofthepromisingsuccessfordeepRL, которыйпобедил чемпиона мира в Го. AlphaGo зависел от нейронных сетей, которые обучались с использованием контролируемого обучения, RL и традиционного эвристичного алгоритма поиска.

Результаты (русский) 3:

углубленное обучение позволяет расширить процесс обучения (РЛ) на принятие решений с высоким уровнем образования и пространством для маневра в поведении [59].Deep RL в основном зависит от нейронной сети Deep для приближения к оптимальной стратегии [59].Deep - RL может использовать выражение « учиться» для решения проблемы проклятия размерностей [59].например, он может использовать свёртывающую нервную сеть (CNS) для получения первых данных высокого уровня [59].альфаго олицетворяет успех Deeprl, который победил чемпиона мира в го.« альфа гоа» зависит от нервной сети, которая обучается с использованием методов контроля, RL и традиционных эвристических алгоритмов поиска [59].