---
title: "Agentes de aprendizado por reforço profundo · Artificial systems · Entidades · Hipótese da simulação"
url: https://simulation-hypothesis.com/pt/entities/ai-drl
description: "Redes neurais treinadas por tentativa e erro para maximizar um sinal de recompensa."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Hipótese da simulação (simulation-hypothesis.com)"
---

[Entidades](https://simulation-hypothesis.com/pt/entities) › Sistemas artificiais

# Agentes de aprendizado por reforço profundo

Redes neurais treinadas por tentativa e erro para maximizar um sinal de recompensa. Aprendem uma política ou uma função de valor interagindo com um ambiente, muitas vezes simulado, como um jogo.

Redes neurais treinadas por tentativa e erro para maximizar um sinal de recompensa. Aprendem uma política ou uma função de valor interagindo com um ambiente, muitas vezes simulado, como um jogo. Podem alcançar habilidade sobre-humana em tarefas estreitas, mas são otimizadas para um único objetivo de recompensa.

## Fontes

* 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.

Avalie-o segundo os critérios publicados