प्रश्न-सीखना
क्यू-लर्निंग एक सुदृढीकरण सीखने वाला एल्गोरिदम है जो परीक्षण और त्रुटि के माध्यम से प्रत्येक कदम के मूल्य को धीरे-धीरे सीखकर एक एजेंट को सिखाता है कि कौन से कार्य सर्वोत्तम परिणाम देते हैं।
सिंहावलोकन
यह मायने रखता है क्योंकि यह अपने पर्यावरण के नियमों को बताए बिना भी इष्टतम व्यवहार पा सकता है।
गहरा गोता
क्यू-लर्निंग क्यू(एस, ए) नामक एक फ़ंक्शन सीखता है: राज्य 'एस' में 'ए' कार्रवाई करने और उसके बाद बेहतर ढंग से कार्य करने का अपेक्षित दीर्घकालिक इनाम। एजेंट कुछ भी नहीं जानना शुरू कर देता है, कार्यों की कोशिश करता है, और पुरस्कार देखता है। प्रत्येक चरण के बाद यह अपने क्यू-वैल्यू अनुमान को अभी प्राप्त इनाम और अगले राज्य से अपेक्षित सर्वोत्तम छूट वाले भविष्य के मूल्य की ओर बढ़ाता है। महत्वपूर्ण रूप से, यह 'ऑफ-पॉलिसी' और 'मॉडल-मुक्त' है: यह बेतरतीब ढंग से खोज करते हुए सर्वोत्तम नीति सीख सकता है, और इसे दुनिया कैसे बदलती है, इसके मॉडल की कभी आवश्यकता नहीं होती है। प्रत्येक राज्य-कार्य युग्म के पर्याप्त अन्वेषण को देखते हुए, क्यू-मूल्य इष्टतम मूल्यों में परिवर्तित हो जाते हैं, और किसी भी राज्य में सबसे अच्छी कार्रवाई केवल उच्चतम क्यू वाली होती है।
तकनीकी अंतर्दृष्टि
मूल बेलमैन अपडेट है: क्यू(एस,ए) <- क्यू(एस,ए) + अल्फा[आर + गामा*मैक्स_ए' क्यू(एस',ए') - क्यू(एस,ए)]। अल्फा सीखने की दर है, गामा भविष्य के पुरस्कारों को भारित करने वाला छूट कारक है, और ब्रैकेटेड शब्द अस्थायी-अंतर त्रुटि है। अगले कार्यों पर 'अधिकतम' वह है जो इसे ऑफ-पॉलिसी बनाता है और खोज करते समय भी इसे लालची इष्टतम नीति सीखने देता है। अन्वेषण को आम तौर पर ईपीएसलॉन-लालची कार्रवाई चयन के साथ नियंत्रित किया जाता है।
सामरिक प्रभाव
लागत और बजट
वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
स्पष्ट निर्णय
तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
गुणवत्ता नियंत्रण
बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
क्यू-लर्निंग का भविष्य
क्लासिक सारणीबद्ध क्यू-लर्निंग तब संघर्ष करती है जब एक तालिका में संग्रहीत करने के लिए बहुत सारे राज्य होते हैं। प्रमुख दिशा इसे तंत्रिका नेटवर्क के साथ संयोजित करना है, जैसे कि डीप क्यू-नेटवर्क (डीक्यूएन) में, जो पिक्सेल जैसे कच्चे इनपुट से क्यू-मान का अनुमान लगाता है। अनुभव रीप्ले, लक्ष्य नेटवर्क और डबल डीक्यूएन और डिस्ट्रीब्यूशनल क्यू-लर्निंग जैसे वेरिएंट के साथ इसे स्थिर करने पर अनुसंधान जारी है जो ओवरएस्टीमेशन पूर्वाग्रह को कम करता है और एकल औसत के बजाय पूर्ण रिटर्न वितरण का प्रतिनिधित्व करता है।
वास्तविक विश्व कार्यान्वयन
अटारी गेम-प्लेइंग एजेंट (डीपमाइंड के डीक्यूएन) स्क्रीन पिक्सल से सीधे ब्रेकआउट और पोंग खेलना सीख रहे हैं
कुल वाहन प्रतीक्षा समय को कम करने के लिए चौराहों पर ट्रैफिक-लाइट समय को अनुकूलित करना
ग्रिड या भूलभुलैया के माध्यम से रोबोट नेविगेशन जहां रोबोट सबसे छोटा इनाम-अधिकतम पथ सीखता है
गतिशील मूल्य निर्धारण और इन्वेंट्री निर्णय जहां एक एजेंट सीखता है कि कौन से कार्य दीर्घकालिक लाभ को अधिकतम करते हैं
जोखिम और रेलिंग
एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
कार्यान्वयन रोडमैप
कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
अन्वेषण करते रहें
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Q-Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
अगली गाइड
सीखने की दर का निर्धारण
अक्सर पूछे जाने वाले प्रश्नों
क्यू-लर्निंग क्या है?
क्यू-लर्निंग एक सुदृढीकरण सीखने वाला एल्गोरिदम है जो परीक्षण और त्रुटि के माध्यम से प्रत्येक कदम के मूल्य को धीरे-धीरे सीखकर एक एजेंट को सिखाता है कि कौन से कार्य सर्वोत्तम परिणाम देते हैं। यह मायने रखता है क्योंकि यह अपने पर्यावरण के नियमों को बताए बिना भी इष्टतम व्यवहार पा सकता है।
Q-मान Q(s, a) क्या दर्शाता है?
क्यू(एस, ए) राज्य में कार्रवाई करने और उसके बाद इष्टतम व्यवहार करने से कुल छूट वाले भविष्य के इनाम का अनुमान लगाता है, न कि केवल तत्काल इनाम का।
Q-लर्निंग को 'ऑफ़-पॉलिसी' क्यों बताया गया है?
अगले कार्यों पर अधिकतम का मतलब है कि क्यू-लर्निंग लालची इष्टतम नीति का मूल्य सीखता है, भले ही एजेंट एक अलग व्यवहार नीति के साथ खोज करता है।
अद्यतन नियम में, छूट कारक गामा क्या नियंत्रित करता है?
गामा (0 और 1 के बीच) भविष्य के पुरस्कारों में छूट देता है; 1 के पास का मान एजेंट को दूरदर्शी बनाता है, 0 के पास का मान उसे अदूरदर्शी बनाता है।
क्यू-लर्निंग में अस्थायी-अंतर (टीडी) त्रुटि क्या है?
टीडी त्रुटि नए लक्ष्य अनुमान (इनाम प्लस सर्वोत्तम रियायती भविष्य मूल्य) और पुराने क्यू अनुमान के बीच का अंतर है; अद्यतन इस अंतर को कम करता है।
सादा सारणीबद्ध क्यू-लर्निंग पिक्सेल से वीडियो गेम जैसी बड़ी समस्याओं से क्यों जूझता है?
एक लुकअप टेबल को प्रति राज्य-कार्य युग्म में एक प्रविष्टि की आवश्यकता होती है, जो तब संभव नहीं है जब राज्यों की संख्या अरबों में हो, जो DQN जैसे तंत्रिका-नेटवर्क सन्निकटन को प्रेरित करता है।