Policy Gradient Methods

পলিসি নেটওয়ার্ক

প্যারামিটারাইজড নিউরাল নেটওয়ার্ক যা পলিসি π(a|s; θ) উপস্থাপন করে, বর্তমান অবস্থার উপর শর্তযুক্ত কর্মের সম্ভাব্যতা বন্টন তৈরি করে।

← ফিরে যান