---
title: "Agen pembelajaran penguatan mendalam · Artificial systems · Entitas · Hipotesis Simulasi"
url: https://simulation-hypothesis.com/id/entities/ai-drl
description: "Jaringan saraf yang dilatih lewat coba-coba untuk memaksimalkan sinyal imbalan."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipotesis Simulasi (simulation-hypothesis.com)"
---

[Entitas](https://simulation-hypothesis.com/id/entities) › Sistem buatan

# Agen pembelajaran penguatan mendalam

Jaringan saraf yang dilatih lewat coba-coba untuk memaksimalkan sinyal imbalan. Mereka mempelajari kebijakan atau fungsi nilai lewat berinteraksi dengan lingkungan, sering kali yang tersimulasi seperti permainan.

Jaringan saraf yang dilatih lewat coba-coba untuk memaksimalkan sinyal imbalan. Mereka mempelajari kebijakan atau fungsi nilai lewat berinteraksi dengan lingkungan, sering kali yang tersimulasi seperti permainan. Mereka bisa mencapai keterampilan melampaui manusia pada tugas sempit, tetapi dioptimalkan untuk satu tujuan imbalan.

## Sumber

* 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.

Nilai berdasarkan kriteria yang dipublikasikan