---
title: "Agents d’apprentissage par renforcement profond · Artificial systems · Entités · Hypothèse de la simulation"
url: https://simulation-hypothesis.com/fr/entities/ai-drl
description: "Réseaux de neurones entraînés par essais et erreurs à maximiser un signal de récompense."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hypothèse de la simulation (simulation-hypothesis.com)"
---

[Entités](https://simulation-hypothesis.com/fr/entities) › Systèmes artificiels

# Agents d’apprentissage par renforcement profond

Réseaux de neurones entraînés par essais et erreurs à maximiser un signal de récompense. Ils apprennent une politique ou une fonction de valeur en interagissant avec un environnement, souvent simulé, comme un jeu.

Réseaux de neurones entraînés par essais et erreurs à maximiser un signal de récompense. Ils apprennent une politique ou une fonction de valeur en interagissant avec un environnement, souvent simulé, comme un jeu. Ils peuvent atteindre un niveau surhumain sur des tâches étroites, mais ils sont optimisés pour un seul objectif de récompense.

## Sources

* 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.

Évaluez-le d’après les critères publiés