Définition - Que signifie Deep Q-Networks?
Les réseaux Deep Q (DQN) sont des réseaux neuronaux (et / ou des outils associés) qui utilisent l'apprentissage Q profond afin de fournir des modèles tels que la simulation de jeu vidéo intelligent. Plutôt que d'être un nom spécifique pour une construction de réseau neuronal spécifique, les réseaux Deep Q peuvent être composés de réseaux neuronaux convolutifs et d'autres structures qui utilisent des méthodes spécifiques pour en savoir plus sur divers processus.
Definir Tech explique Deep Q-Networks
La méthode d'apprentissage en profondeur Q utilise généralement ce que l'on appelle l'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'une entrée sensorielle de grande dimension.
Par exemple, un type courant 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 la relecture d'expérience afin de mettre à jour le réseau Q.
Dans un sens général, 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 de jeu vidéo Atari ou 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 l'apprentissage Q approfondi, le joueur de l'IA devient davantage un acteur humain dans l'apprentissage pour atteindre les résultats souhaités.