SelanjutnyaPanduan berikutnya
Penjadwalan Kecepatan Pembelajaran
Teknis
PANDUAN Teknis
Q-Pembelajaran
Q-Learning adalah algoritma pembelajaran penguatan yang mengajarkan agen tindakan mana yang memberikan hasil terbaik dengan secara bertahap mempelajari nilai setiap gerakan melalui trial and error.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It matters because it can find optimal behavior without ever being told the rules of its environment.
Menyelam Lebih Dalam
Q-Learning mempelajari fungsi yang disebut Q(s, a): imbalan jangka panjang yang diharapkan dari mengambil tindakan 'a' dalam keadaan 's' dan kemudian bertindak secara optimal setelahnya. Agen mulai tidak mengetahui apa pun, mencoba tindakan, dan mengamati imbalan. Setelah setiap langkah, ia mendorong perkiraan nilai Q-nya ke arah imbalan yang baru saja diterima ditambah diskon nilai masa depan terbaik yang diharapkan dari keadaan berikutnya. Yang terpenting, hal ini bersifat 'di luar kebijakan' dan 'bebas model': negara ini dapat mempelajari kebijakan terbaik sambil melakukan eksplorasi secara acak, dan tidak memerlukan model mengenai bagaimana dunia bertransisi. Mengingat eksplorasi yang cukup pada setiap pasangan tindakan-negara, nilai-Q terbukti menyatu ke nilai-nilai optimal, dan tindakan terbaik di negara mana pun hanyalah tindakan yang memiliki Q tertinggi.
Implementasi Dunia Nyata
Agen permainan Atari (DQN DeepMind) belajar memainkan Breakout dan Pong langsung dari piksel layar
Mengoptimalkan waktu lampu lalu lintas di persimpangan untuk meminimalkan total waktu tunggu kendaraan
Navigasi robot melalui grid atau labirin tempat robot mempelajari jalur terpendek yang memaksimalkan imbalan
Keputusan penetapan harga dan inventaris dinamis di mana agen mempelajari tindakan mana yang memaksimalkan keuntungan jangka panjang
Masa Depan Q-Learning
Q-Learning tabel klasik mengalami kesulitan ketika status terlalu banyak untuk disimpan dalam sebuah tabel. Arah yang dominan adalah menggabungkannya dengan jaringan saraf, seperti pada Deep Q-Networks (DQN), yang memperkirakan nilai Q dari masukan mentah seperti piksel. Penelitian terus dilakukan untuk menstabilkan hal ini dengan pemutaran ulang pengalaman, jaringan target, dan varian seperti Double DQN dan Q-Learning distribusi yang mengurangi bias perkiraan berlebihan dan mewakili distribusi pengembalian penuh, bukan rata-rata tunggal.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Q-Learning quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is Q-Learning?
Q-Learning adalah algoritma pembelajaran penguatan yang mengajarkan agen tindakan mana yang memberikan hasil terbaik dengan secara bertahap mempelajari nilai setiap gerakan melalui trial and error. Hal ini penting karena ia dapat menemukan perilaku optimal tanpa harus diberitahu aturan lingkungannya.
Apa yang diwakili oleh nilai Q Q(s, a)?
Q(s, a) memperkirakan total diskon imbalan masa depan dari pengambilan tindakan a di negara bagian s dan berperilaku optimal setelahnya, bukan hanya imbalan langsung.
Mengapa Q-Learning digambarkan sebagai 'di luar kebijakan'?
Tindakan maksimal selanjutnya berarti Q-Learning mempelajari nilai kebijakan optimal serakah bahkan saat agen mengeksplorasi dengan kebijakan perilaku yang berbeda.
Dalam aturan pembaruan, apa yang dikontrol oleh faktor diskon gamma?
Gamma (antara 0 dan 1) mendiskon imbalan di masa depan; nilai yang mendekati 1 membuat agen berpandangan jauh ke depan, nilai yang mendekati 0 membuatnya berpandangan pendek.
Apa kesalahan perbedaan temporal (TD) di Q-Learning?
Kesalahan TD adalah kesenjangan antara estimasi target baru (imbalan ditambah diskon nilai masa depan terbaik) dan estimasi Q lama; pembaruan ini memperkecil kesenjangan ini.
Mengapa Q-Learning tabel biasa kesulitan dengan masalah besar seperti video game dari piksel?
Tabel pencarian memerlukan entri per pasangan tindakan negara, yang tidak mungkin dilakukan jika jumlah negara mencapai miliaran, sehingga memotivasi penaksir jaringan saraf seperti DQN.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini