গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
কিউ-লার্নিং কুইজ
Q-মান, অফ-পলিসি লার্নিং, বেলম্যান আপডেট, এক্সপ্লোরেশন, কনভারজেন্স অনুমান এবং কেন Q-লার্নিং মডেল-মুক্ত তা পরীক্ষা করে।
প্রশ্ন 1 এর 8
Q-মান Q(s, a) কিসের প্রতিনিধিত্ব করে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- Q-মান Q(s, a) কিসের প্রতিনিধিত্ব করে?
- একটি রাষ্ট্রে পদক্ষেপ নেওয়ার প্রত্যাশিত দীর্ঘমেয়াদী পুরস্কার, তারপর সর্বোত্তমভাবে কাজ করা
- রাজ্যে থাকার সম্ভাবনা s
- অ্যাকশন কতবার চেষ্টা করা হয়েছে
- শুধুমাত্র কর্মের জন্য তাৎক্ষণিক পুরস্কার ক
- কেন কিউ-লার্নিংকে 'অফ-পলিসি' হিসাবে বর্ণনা করা হয়?
- এর জন্য পরিবেশের একটি মডেল প্রয়োজন
- এটি একটি ভিন্ন, অনুসন্ধানমূলক নীতি অনুসরণ করার সময় সর্বোত্তম নীতি শিখতে পারে
- এটি শুধুমাত্র সঞ্চিত ডেটাতে অফলাইনে কাজ করে
- এটি সম্পূর্ণরূপে পুরস্কার উপেক্ষা করে
- আপডেটের নিয়মে, ডিসকাউন্ট ফ্যাক্টর গামা নিয়ন্ত্রণ করে কি?
- অনুসন্ধানের হার
- রাষ্ট্রীয় টেবিলের আকার
- তাৎক্ষণিক পুরস্কারের তুলনায় ভবিষ্যতের পুরষ্কার কতটা ওজনযুক্ত
- পর্বের সংখ্যা
- Q-Learning-এ টেম্পোরাল-ডিফারেন্স (TD) ত্রুটি কী?
- দুই রাজ্যের মধ্যে পার্থক্য
- একটি পর্বের মোট পুরস্কার
- শেখার হার বার গামা
- r + গামা* সর্বোচ্চ Q(s',a') বিয়োগ বর্তমান Q(s,a) অনুমান
- কেন প্লেইন ট্যাবুলার Q-লার্নিং পিক্সেল থেকে ভিডিও গেমের মতো বড় সমস্যাগুলির সাথে লড়াই করে?
- একটি টেবিলে সংরক্ষণ করার জন্য স্বতন্ত্র রাজ্যের সংখ্যা খুব বেশি
- এটি পুরষ্কার ব্যবহার করতে পারে না
- এটি শুধুমাত্র দুটি কর্মের সাথে কাজ করে
- গামা অবশ্যই 1 সমান হবে
- এপিসিলন-লোভী কর্ম নির্বাচনের উদ্দেশ্য কি?
- সর্বদা সর্বোচ্চ Q-মান ক্রিয়া বাছাই করতে
- পরিচিত ভালগুলিকে কাজে লাগানোর সাথে নতুন কর্মের অন্বেষণে ভারসাম্য বজায় রাখা
- ডিসকাউন্ট ফ্যাক্টর সেট করতে
- Q- টেবিল সংরক্ষণ করতে
- সারণী কিউ-লার্নিং কনভারজেন্স ফলাফলে কী অন্বেষণের অবস্থা দেখা যায়?
- শুধুমাত্র লোভী কর্ম কখনও নমুনা হয়
- প্রতিটি রাজ্য অবশ্যই একবার পরিদর্শন করা উচিত
- প্রতিটি স্টেট-অ্যাকশন জোড়াকে উপযুক্ত শিক্ষার শর্তে বারবার পরিদর্শন করতে হবে
- রূপান্তর মডেল আগে থেকে জানা আবশ্যক
- কেন কিউ-লার্নিংকে মডেল-মুক্ত বলা হয়?
- এটি কখনই পরিবেশ পর্যবেক্ষণ করে না
- এটি পুরষ্কার ব্যবহার করে না
- এটি শেখার আগে একটি সম্পূর্ণ রূপান্তর টেবিল প্রয়োজন
- এটি ট্রানজিশন সম্ভাব্যতা সঞ্চয় না করে নমুনাকৃত পুরস্কার এবং পরবর্তী অবস্থা থেকে মান আপডেট করে