কি পুরস্কার মডেল?

একটি প্রশিক্ষণ পদ্ধতি যা মডেল আচরণকে আকার দিতে মানুষের পছন্দ সংকেত ব্যবহার করে।

পুরষ্কার সংকেত দ্বারা প্রশিক্ষণ যেখানে একজন এজেন্ট দীর্ঘমেয়াদী রিটার্ন সর্বাধিক করে এমন ক্রিয়াগুলি শিখে।

মডেল আউটপুট প্রশিক্ষণ বা মূল্যায়ন করতে ব্যবহৃত বিশ্বস্ত রেফারেন্স লেবেল।

একটি প্রশিক্ষণ পদ্ধতি যা একটি পৃথক পুরস্কার মডেলের প্রয়োজন ছাড়াই সরাসরি পছন্দের জোড়ায় মডেলগুলিকে সূক্ষ্ম-টিউন করে৷

প্রি-ট্রেনিং এবং পোস্ট-ট্রেনিংয়ের মধ্যে একটি মধ্যবর্তী প্রশিক্ষণ পর্ব, প্রায়শই ক্ষমতা বা ডোমেন সমন্বয়ের জন্য ব্যবহৃত হয়।

একটি সফ্টওয়্যার সিস্টেম যা লক্ষ্য অর্জনের জন্য পর্যবেক্ষণ, যুক্তি এবং পদক্ষেপ নিতে পারে, প্রায়শই সরঞ্জাম এবং মেমরি ব্যবহার করে।