Vyhodnocení agentů hlubokého Q-učení pomocí testu algoritmického IQ – Michal Dvořák
Michal Dvořák
Master's thesis
Vyhodnocení agentů hlubokého Q-učení pomocí testu algoritmického IQ
Evaluating deep Q-learning agents using an algorithmic IQ test
Abstract:
Hluboké Q-učení propojuje dva směry oboru umělé inteligence, a to neuronové dopředné sítě a posilované učení. Posilované učení představuje metodu, kdy se agent, v podobě například umělé inteligence, učí postupným řešením daného problému. Problém představuje prostředí, které s agentem komunikuje a předává mu informaci v jakém se nachází stavu. Agent na tuto informaci reaguje provedením akce, za kterou …moreAbstract:
Deep Q-learning connects two branches of artificial intelligence: feed-forward neural networks and reinforcement learning. Reinforcement learning is a method in which an agent that can be artificial intelligence learns by solving a given problem. The problem is an environment that communicates with the agent and gives him information about the state of the environment. The agent reacts to this information …more
Language used: Czech
Date on which the thesis was submitted / produced: 28. 4. 2024
Identifier:
https://vskp.vse.cz/eid/92570
Thesis defence
- Date of defence: 28. 5. 2024
- Supervisor: Ondřej Vadinský
- Reader: Petr Berka
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Vysoká škola ekonomická v Prazehttps://vskp.vse.cz/eid/92570
Vysoká škola ekonomická v Praze
Master programme:
Znalostní a webové technologie
Theses on a related topic
-
Deep Reinforcement Learning for Decision Neuroscience
Faizanshaikh Abdulkhalil SHAIKH -
Hluboké posilované učení s modelem prostředí a spojitými akcemi
Karol Kuna -
Učení posilováním v umělých neuronových sítích Q-algoritmus
Michal Brückner -
Visualization of Digital Pathology Images and Results of Their Analyses Using Deep Neural Networks
Nikoleta Češeková -
Interpretation techniques for deep neural networks in digital histopathology
Martin Krebs -
Urban Change Monitoring with Neural Networks and Deep-Temporal Remote Sensing Data
Georg Zitzlsberger -
Image super sampling using deep neural networks
Ivan Gorbatenko -
Alzheimer's dementia recognition from spontaneous speech using deep neural networks
Mariia Buntovskikh