---
title: "عامل‌های یادگیری تقویتی عمیق · Artificial systems · موجودیت‌ها · فرضیهٔ شبیه‌سازی"
url: https://simulation-hypothesis.com/fa/entities/ai-drl
description: "شبکه‌های عصبی که با آزمون‌وخطا آموزش دیده‌اند تا یک سیگنال پاداش را بیشینه کنند."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl، فرضیهٔ شبیه‌سازی (simulation-hypothesis.com)"
---

[موجودیت‌ها](https://simulation-hypothesis.com/fa/entities) › سامانه‌های مصنوعی

# عامل‌های یادگیری تقویتی عمیق

شبکه‌های عصبی که با آزمون‌وخطا آموزش دیده‌اند تا یک سیگنال پاداش را بیشینه کنند. با تعامل با یک محیط، اغلب شبیه‌سازی‌شده مانند یک بازی، سیاست یا تابع ارزش را یاد می‌گیرند.

شبکه‌های عصبی که با آزمون‌وخطا آموزش دیده‌اند تا یک سیگنال پاداش را بیشینه کنند. با تعامل با یک محیط، اغلب شبیه‌سازی‌شده مانند یک بازی، سیاست یا تابع ارزش را یاد می‌گیرند. در وظایف محدود می‌توانند به مهارتی فراتر از انسان برسند، اما برای یک هدف پاداش واحد بهینه شده‌اند.

## منابع

* Mnih V, Kavukcuoglu K, Silver D, Rusu AA, et al. (2015) Human-level control through deep reinforcement learning. Nature 518(7540):529-533\. doi:10.1038/nature14236.
* Silver D et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature 529:484-489\. doi:10.1038/nature16961.

آن را با معیارهای منتشرشده بسنجید