| DC Field | Value | Language |
|---|
| dc.contributor.author | Зязюлькин, С. П. | - |
| dc.contributor.author | Нестеренков, С. Н. | - |
| dc.date.accessioned | 2020-07-09T14:44:29Z | - |
| dc.date.available | 2020-07-09T14:44:29Z | - |
| dc.date.issued | 2020 | - |
| dc.identifier.citation | Зязюлькин, С. П. Использование DQN для обучения агентов игр (ATARI 2600) / С. П. Зязюлькин, С. Н. Нестеренков // BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сб. материалов VI Междунар. науч.-практ. конф., Минск, 20-21 мая 2020 года : в 3 ч. Ч. 2 / редкол.: В. А. Богуш [и др.]. – Минск : Бестпринт, 2020. – С. 274–280. | ru_RU |
| dc.identifier.isbn | 978-985-90533-9-9 | - |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/39459 | - |
| dc.description.abstract | Современное состояние области машинного обучения с подкреплением позволяет обучать агентов, превосходящих человека в некоторых задачах. Примером таких задач являются игры для Atari 2600 – один из популярных бенчмарков для алгоритмов и моделей машинного обучения с подкреплением. В данной статье рассматриваются способы улучшить эффективность классической модели DQN для обучения агентов для игр для Atari 2600. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | Беспринт | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | машинное обучение | ru_RU |
| dc.subject | обучение с подкреплением | ru_RU |
| dc.subject | приставка Atari 2600 | ru_RU |
| dc.subject | алгоритм DQN | ru_RU |
| dc.subject | алгоритм dueling DQN | - |
| dc.subject | noisy networks | - |
| dc.subject | prioritized experience replay | - |
| dc.subject | temporal consistency loss | - |
| dc.subject | expert demonstrations | - |
| dc.title | Использование DQN для обучения агентов игр (ATARI 2600) | ru_RU |
| dc.title.alternative | Using DQN to train agents for Atari 2600 games | - |
| dc.type | Article | ru_RU |
| local.description.annotation | The current state of deep reinforcement learning makes it possible to train agents that are superior to humans in some tasks. Atari 2600 games are an example of such tasks. Atari 2600 is one of the popular benchmarks for reinforcement learning models and algorithms. This article considers ways to improve performance of the classic DQN model on training agents for Atari 2600 games. | - |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : материалы конференции (2020)
|
