「報酬関数」を解説文に含む見出し語の検索結果(1～10/39件中)
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2022/05/05 04:50 UTC 版)「マルコフ決定過程」の記事における「強化学習」の解説「強化学習」および「Q学習」も参照 ...
.mw-parser-output .ambox{border:1px solid #a2a9b1;border-left:10px solid #36c;background-color:#fbfb...
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2021/11/16 07:46 UTC 版)「回帰型ニューラルネットワーク」の記事における「完全回帰型」の解説基本的なRNNは連続す...
人間のフィードバックによる強化学習（英: reinforcement learning from human feedback、RLHF）は、AIモデルの出力において「人間の価値基準（人間の好...
人間のフィードバックによる強化学習（英: reinforcement learning from human feedback、RLHF）は、AIモデルの出力において「人間の価値基準（人間の好...
人間のフィードバックによる強化学習（英: reinforcement learning from human feedback、RLHF）は、AIモデルの出力において「人間の価値基準（人間の好...
人間のフィードバックによる強化学習（英: reinforcement learning from human feedback、RLHF）は、AIモデルの出力において「人間の価値基準（人間の好...
人間のフィードバックによる強化学習（英: reinforcement learning from human feedback、RLHF）は、AIモデルの出力において「人間の価値基準（人間の好...
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2019/03/15 05:04 UTC 版)「部分観測マルコフ決定過程」の記事における「Belief MDP」の解説すべての状態に関...
道具的収束（どうぐてきしゅうそく、（英語: instrumental convergence）とは、最終的目標が大きく異なっていたとしても十分に知的で目標指向の行動をとる存在（人間および非人間...
< 前の結果 | 次の結果 >
>>
「報酬関数」の辞書の解説