Какие существуют виды систем управления подкреплением в машинном обучении?

Возможно, имелись в виду виды алгоритмов обучения с подкреплением (Reinforcement Learning, RL). tproger.ru blog.skillfactory.ru Их можно разделить на два основных типа в зависимости от того, как они определяют оптимальную политику: www.tutorialspoint.com

1. Алгоритмы на основе моделей. www.tutorialspoint.com Агент разрабатывает модель окружающей среды и предсказывает результат действий в различных состояниях. www.tutorialspoint.com После получения модели агент использует её для выработки стратегии и прогнозирования будущих результатов без непосредственного взаимодействия с окружающей средой. www.tutorialspoint.com
2. Алгоритмы без моделей. www.tutorialspoint.com Модель не поддерживает модель окружающей среды, а приобретает функцию политики или ценности посредством взаимодействия с окружающей средой. www.tutorialspoint.com

Некоторые алгоритмы обучения с подкреплением:

• Алгоритмы на основе политики. blog.skillfactory.ru Они обучают стратегию агента, определяя, какое действие следует выбирать в каждом состоянии. blog.skillfactory.ru Пример такого алгоритма — REINFORCE. blog.skillfactory.ru
• «Актор-критик»-алгоритмы. blog.skillfactory.ru Сочетают оба типа алгоритмов. blog.skillfactory.ru Состоят из двух компонентов: «‎актор» предлагает агенту действия на основе политики, а «‎критик» оценивает, насколько то или иное действие выгодно. blog.skillfactory.ru К такому типу RL относятся алгоритмы Advantage Actor-Critic и Deep Deterministic Policy Gradient. blog.skillfactory.ru
• Обучение по методу Монте-Карло. www.tutorialspoint.com Фокусируется на оценке функций ценности и разработке политики на основе реального опыта, а не в зависимости от модели или динамики окружающей среды. www.tutorialspoint.com
• Обучение с временными различиями (TD). www.tutorialspoint.com Оценивает функцию ценности политики на основе опыта, который агент собирает во время своего взаимодействия с окружающей средой. www.tutorialspoint.com