Abstract

Το αντικείμενο της παρούσας διατριβής είναι οι μέθοδοι Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning). Η διατριβή εξερευνά υπάρχουσες τεχνικές Βαθιάς Ενισχυτικής Μάθησης, ενώ επίσης παρουσιάζει νέες, οι οποίες έχουν βελτιωμένες επιδόσεις σε κοινά περιβάλλοντα αξιολόγησης σε σύγκριση με μεθόδους αιχμής της σχετικής βιβλιογραφίας, ενώ ταυτόχρονα βελτιώνουν συγκεκριμένες πτυχές τους, και πιο συγκεκριμένα, τη δειγματική αποδοτικότητα (sample-efficiency) και την ικανότητα γενίκευσης (generalization). Τέλος, παρουσιάζονται διάφορες εφαρμογές τεχνικών Μηχανικής Μάθησης σε παιχνίδια.

Keywords:
Reinforcement learning Generalization Reinforcement Artificial intelligence Sample (material) Computer science Psychology Machine learning Mathematics Social psychology Physics

Metrics

0
Cited By
0.00
FWCI (Field Weighted Citation Impact)
0
Refs
Citation Normalized Percentile
Is in top 1%
Is in top 10%

Topics

Digital Transformation in Industry
Physical Sciences →  Engineering →  Industrial and Manufacturing Engineering

Related Documents

JOURNAL ARTICLE

Deep reinforcement learning methods

Λαζαρίδης, Αριστοτέλης Λ.

Journal:   Aristotle University of Thessaloniki Year: 2023
JOURNAL ARTICLE

Contrastive Learning Methods for Deep Reinforcement Learning

Di WangMengqi Hu

Journal:   IEEE Access Year: 2023 Vol: 11 Pages: 97107-97117
JOURNAL ARTICLE

Discrete-to-deep reinforcement learning methods

Budi KurniawanPeter VamplewMichael PapasimeonRichard DazeleyCameron Foale

Journal:   Neural Computing and Applications Year: 2021 Vol: 34 (3)Pages: 1713-1733
© 2026 ScienceGate Book Chapters — All rights reserved.