Machine Learning - Modelo Reforço

Um método onde um agente aprende através de interações e recompensas

Um tipo de aprendizado supervisionado

Uma técnica de agrupamento de dados

Reduzir o número de variáveis

Minimizar o tempo de treinamento

Maximizar a função de recompensa cumulativa

A função de recompensa recebida

A representação do ambiente atual em que o agente se encontra

O número de ações possíveis

O aprendizado supervisionado não usa dados

No aprendizado por reforço, o agente aprende por meio de interações e recompensas, enquanto no supervisionado, aprende a partir de exemplos rotulados

O aprendizado por reforço é mais rápido

Uma função que estima o valor esperado de um estado ou ação

Uma técnica de otimização

Uma métrica para avaliar a qualidade do modelo