Notice
Recent Posts
Recent Comments
Link
반응형
| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | ||
| 6 | 7 | 8 | 9 | 10 | 11 | 12 |
| 13 | 14 | 15 | 16 | 17 | 18 | 19 |
| 20 | 21 | 22 | 23 | 24 | 25 | 26 |
| 27 | 28 | 29 | 30 |
Tags
- 머신러닝
- 강화학습
- Q-Learning
- 과적합
- AI
- 자연어 처리
- 차원 축소
- 데이터 전처리
- GRU
- Machine Learning
- LSTM
- 교차 검증
- Deep learning
- python
- 머신 러닝
- 딥러닝
- 손실 함수
- 회귀
- 정규화
- reinforcement learning
- 신경망
- 강화 학습
- 인공 신경망
- 인공지능
- rnn
- 활성화 함수
- 지도 학습
- 최적화
- q-러닝
- CNN
Archives
- Today
- Total
목록타겟 정책 (1)
move84
강화 학습: Off-Policy Evaluation (OPE) 이해하기
강화 학습(Reinforcement Learning, RL)은 에이전트가 환경과 상호 작용하며 보상을 최대화하도록 학습하는 머신 러닝의 한 분야입니다. 이 글에서는 강화 학습에서 중요한 개념 중 하나인 Off-Policy Evaluation (OPE)에 대해 자세히 알아보겠습니다. OPE는 새로운 정책(policy, 정책 - 에이전트가 어떤 행동을 할지 결정하는 전략)을 실제 환경에서 실행하지 않고, 과거에 수집된 데이터(data, 데이터)를 사용하여 해당 정책의 성능을 추정하는 기술입니다. 이 기술은 정책을 안전하게 평가하고, 시간과 자원을 절약하며, 실험의 위험을 줄이는 데 기여합니다. 🧐 Off-Policy Evaluation (OPE)의 중요성 (Off-Policy Evaluation (OPE)..
강화학습
2025. 4. 8. 08:21