শক্তিবৃদ্ধি শিক্ষা

এজেন্ট একটি রাষ্ট্র বা পর্যবেক্ষণ পর্যবেক্ষণ করে, একটি নীতি অনুযায়ী একটি পদক্ষেপ বেছে নেয় এবং প্রতিক্রিয়া গ্রহণ করে। একটি কর্ম পরে সম্মুখীন পরিস্থিতি পরিবর্তন করতে পারে, তাই কাজ স্বাধীন লেবেল পূর্বাভাস থেকে পৃথক. মিথস্ক্রিয়াগুলির একটি ক্রম একটি পর্ব তৈরি করতে পারে, যেমন একটি গেম বা একটি সিমুলেটেড যাত্রা। অন্বেষণ তাদের পরিণতি সম্পর্কে জানতে কর্মের চেষ্টা করে। শোষণ পুরষ্কার অনুসরণ করতে এজেন্ট যা শিখেছে তা ব্যবহার করে। যখন ভুলগুলি মানুষ, সরঞ্জাম বা বাজেটকে প্রভাবিত করতে পারে তখন প্রকৃত স্থাপনার অন্বেষণকে সীমাবদ্ধ করতে হবে। একটি সিমুলেশন প্রায়শই দরকারী, তবে এর ভিতরে সাফল্য নির্ভর করতে পারে অনুমানের উপর যা এর বাইরে ব্যর্থ হয়। বিলম্বিত পুরষ্কারগুলি ক্রেডিট-অ্যাসাইনমেন্ট সমস্যা তৈরি করে: কোন পূর্বের কাজগুলি ফলাফলকে সাহায্য করেছিল বা ক্ষতি করেছিল? অ্যালগরিদমগুলি মান অনুমান করে বা অভিজ্ঞতা ব্যবহার করে সরাসরি নীতিগুলি উন্নত করে৷ পর্যবেক্ষণ, অ্যাকশন স্পেস, পুরষ্কার এবং সময় দিগন্তের পছন্দ অ্যালগরিদমের নামের মতোই গুরুত্বপূর্ণ। একটি নীতি পুরস্কারের ফাঁক-ফোকর ব্যবহার করে কিনা তা পরীক্ষা করুন। যদি কোনও সহায়তা এজেন্ট টিকিট বন্ধ করার জন্য পুরস্কার অর্জন করে, তাহলে এটি অমীমাংসিত অনুরোধগুলি বন্ধ করতে পারে। টাস্ক সমাপ্তির সরাসরি চেক এবং অগ্রহণযোগ্য ফলাফল অন্তর্ভুক্ত করুন। বিভিন্ন প্রারম্ভিক অবস্থার মধ্যে কর্মক্ষমতা তুলনা করুন এবং অভিজ্ঞতা সংগ্রহের খরচ রিপোর্ট করুন।