🎯Policy Gradient методы
Прямое обучение политики π(a|s). REINFORCE (Williams 1992): градиент log-вероятности × награда. Actor-Critic: actor (политика) + critic (оценка). A2C/A3C (2016): асинхронное обучение. PPO (OpenAI 2017): clipped objective, стабильность. Используется в RLHF для LLM.
📖6 мин чтения📊Уровень 7📅19 февраля 2026 г.
🗺️ Mind Map
Загрузка карты...
❓Часто задаваемые вопросы
Policy Gradient методы — это тема о правилах, механизмах и практиках в своей области. Она помогает понять, как принимаются решения и к каким последствиям они приводят.