« Modèle de la valeur primaire apprise » : différence entre les versions


(Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' primary value learned value''' '''PVLV''' The primary value learne... »)
 
Aucun résumé des modifications
Ligne 1 : Ligne 1 :
==en construction==
== Définition ==
Le modèle de la valeur primaire apprise (PVLV) est une explication possible des propriétés de déclenchement prédictif de la récompense des neurones dopaminergiques (DA). Il simule les données comportementales et neuronales sur le conditionnement pavlovien et les neurones dopaminergiques du mésencéphale qui se déclenchent proportionnellement aux récompenses inattendues. Il s'agit d'une alternative à l'algorithme des différences temporelles (TD).


== Définition ==
XXXXXXXXX


== Français ==
== Français ==
''' XXXXXXXXX '''
'''modèle de la valeur primaire apprise'''


== Anglais ==
== Anglais ==
Ligne 11 : Ligne 10 :


'''PVLV'''
'''PVLV'''
The primary value learned value (PVLV) model is a possible explanation for the reward-predictive firing properties of dopamine (DA) neurons.[1] It simulates behavioral and neural data on Pavlovian conditioning and the midbrain dopaminergic neurons that fire in proportion to unexpected rewards. It is an alternative to the temporal-differences (TD) algorithm.[2]
It is used as part of Leabra.


<small>
<small>

Version du 20 juillet 2023 à 05:13

Définition

Le modèle de la valeur primaire apprise (PVLV) est une explication possible des propriétés de déclenchement prédictif de la récompense des neurones dopaminergiques (DA). Il simule les données comportementales et neuronales sur le conditionnement pavlovien et les neurones dopaminergiques du mésencéphale qui se déclenchent proportionnellement aux récompenses inattendues. Il s'agit d'une alternative à l'algorithme des différences temporelles (TD).


Français

modèle de la valeur primaire apprise

Anglais

primary value learned value

PVLV

Source : Source : Wikipedia

Source : Wikipedia Machine learning algorithms



Contributeurs: Maya Pentsch, wiki