گائیڈ سے منسلک کوئز · درمیانہ سطح
کیو لرننگ کوئز
کیو ویلیوز، آف پالیسی لرننگ، بیل مین اپ ڈیٹس، ایکسپلوریشن، کنورجنس مفروضوں اور کیوں کیو لرننگ ماڈل فری ہے چیک کرتا ہے۔
سوال 1 کی 8
Q-value Q(s, a) کس چیز کی نمائندگی کرتا ہے؟
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- Q-value Q(s, a) کس چیز کی نمائندگی کرتا ہے؟
- ریاست میں کارروائی کرنے، پھر بہترین طریقے سے کام کرنے کا متوقع طویل مدتی انعام
- ریاست میں ہونے کا امکان s
- جتنی بار کارروائی کی کوشش کی گئی ہے۔
- صرف عمل کے لیے فوری اجر a
- Q-Learning کو 'آف پالیسی' کیوں کہا جاتا ہے؟
- اس کے لیے ماحول کے ماڈل کی ضرورت ہے۔
- یہ ایک مختلف، تحقیقی پالیسی پر عمل کرتے ہوئے بہترین پالیسی سیکھ سکتا ہے۔
- یہ صرف ذخیرہ شدہ ڈیٹا پر آف لائن کام کرتا ہے۔
- یہ انعامات کو مکمل طور پر نظر انداز کرتا ہے۔
- اپ ڈیٹ کے اصول میں، ڈسکاؤنٹ فیکٹر گاما کیا کنٹرول کرتا ہے؟
- تلاش کی شرح
- ریاستی میز کا سائز
- مستقبل کے انعامات فوری انعامات کے مقابلے میں کتنے وزنی ہیں۔
- اقساط کی تعداد
- Q-Learning میں وقتی فرق (TD) کی خرابی کیا ہے؟
- دو ریاستوں کے درمیان فرق
- ایک قسط کا کل انعام
- سیکھنے کی شرح اوقات گاما
- r + gamma*max Q(s',a') مائنس موجودہ Q(s,a) تخمینہ
- سادہ ٹیبلر Q-Learning پکسلز سے ویڈیو گیمز جیسے بڑے مسائل کے ساتھ کیوں جدوجہد کرتی ہے؟
- مختلف ریاستوں کی تعداد ٹیبل میں ذخیرہ کرنے کے لیے بہت زیادہ ہے۔
- یہ انعامات کا استعمال نہیں کر سکتا
- یہ صرف دو اعمال کے ساتھ کام کرتا ہے۔
- گاما 1 کے برابر ہونا چاہیے۔
- epsilon لالچی کارروائی کے انتخاب کا مقصد کیا ہے؟
- ہمیشہ اعلیٰ ترین Q-value ایکشن لینے کے لیے
- معلوم اچھے کاموں کے استحصال کے ساتھ نئے اعمال کی کھوج میں توازن پیدا کرنا
- رعایت کا عنصر مقرر کرنے کے لیے
- Q-ٹیبل کو ذخیرہ کرنے کے لیے
- What exploration condition appears in the tabular Q-learning convergence result?
- Only the greedy action is ever sampled
- Each state must be visited exactly once
- Every state-action pair must be visited repeatedly under suitable learning conditions
- The transition model must be known in advance
- Why is Q-learning called model-free?
- It never observes the environment
- It does not use rewards
- It requires a complete transition table before learning
- It updates values from sampled rewards and next states without storing transition probabilities