En l'aprenentatge per reforç (RL), un algorisme sense model (a diferència d'un basat en models) és un algorisme que no estima la distribució de probabilitat de transició (i la funció de recompensa) associada al procés de decisió de Markov (MDP), que, en RL, representa el problema a resoldre. La distribució de probabilitat de transició (o model de transició) i la funció de recompensa sovint s'anomenen col·lectivament "model" de l'entorn (o MDP), d'aquí el nom "sense model". Un algorisme de RL sense model es pot pensar com un algorisme d'assaig i error "explícit". Un exemple d'algorisme sense models és Q-learning.
Algoritmes clau d'aprenentatge de reforç "sense models" AlgorismeDescripcióModelPolíticaEspai d'accióEspai de l'EstatDQNXarxa Deep QSense modelsFora de la políticaDiscretContínuaDDPGDeep Deterministic Policy GradientSense modelsFora de la políticaContínuaContínuaA3CAvantatge asíncron Algoritme actor-críticSense modelsEn políticaContínuaContínuaTRPOOptimització de la política de la regió de confiançaSense modelsEn políticaContinu o discretContínuaPPOOptimització de la política proximalSense modelsEn políticaContinu o discretContínuaTD3Doble Delayed Deep Deterministic Policy GradientSense modelsFora de la políticaContínuaContínuaSACActor-crític suauSense modelsFora de la políticaContínuaContínua
Referències
Categoria:Aprenentatge automàtic