Ẹkọ imudara

Aṣoju naa ṣe ajọṣepọ pẹlu ayika kan ati gbiyanju lati mu ilọsiwaju ilọsiwaju ere ti o pọju. Ẹbun jẹ ifihan agbara ti a ṣe apẹrẹ ati pe o le ṣe aṣoju ihuwasi ti awọn eniyan fẹ.

Awọn gbigba bọtini

• Awọn iṣe ni ipa lori awọn akiyesi ọjọ iwaju.
• Apẹrẹ ẹbun le ṣẹda awọn iwuri ti a ko nireti.
• Ṣe ihamọ iwadii ati idanwo kọja ayika kan.

Oluranlowo ṣe akiyesi ipinle kan tabi akiyesi, yan iṣe kan ni ibamu si eto imulo kan, ati gba esi. Iṣe le yi awọn ipo ti o pade nigbamii, nitorinaa iṣẹ naa yatọ si asọtẹlẹ awọn aami ominira. A ọkọọkan ti awọn ibaraẹnisọrọ le ṣe iṣẹlẹ kan, gẹgẹbi ere kan tabi irin-ajo simulated kan. Iwadii gbiyanju awọn iṣe lati kọ ẹkọ nipa awọn abajade wọn. Ilokulo nlo ohun ti oluranlowo ti kọ lati lepa ere. Real deployments gbọdọ dẹkun iwadi nigbati awọn aṣiṣe le ni ipa lori eniyan, ẹrọ, tabi isuna. A kikopa jẹ igba wulo, ṣugbọn aseyori inu o le dale lori ero ti o kuna ni ita rẹ. Idaduro ere ṣẹda a gbese-iṣe isoro: eyi ti sẹyìn sise iranwo tabi harmed awọn abajade? Alugoridimu siro iye tabi taara mu imulo nipa iriri. The choice of observation, action space, reward, and time horizon can matter as much as the algorithm name. Test whether a policy exploits loopholes in the reward. If a support agent earns reward for closing tickets, it might close unresolved requests. Ṣafikun awọn sọwedowo taara ti ipari iṣẹ ati awọn abajade ti ko ni itẹwọgba. Ṣe afiwe iṣẹ kọja awọn ipo ibẹrẹ oriṣiriṣi ati ṣe ijabọ idiyele ti gbigba iriri.

1. Ninu iṣẹlẹ igbesẹ mẹta, awọn ẹbun jẹ 2, 0, ati 5. Pẹlu ifosiwewe ẹdinwo 0.9, ipadabọ lati igbesẹ akọkọ jẹ 2 + 0.9 × 0 + 0.9² × 5.
2. Abajade naa jẹ 6.05. Ti ko ba si ẹdinwo, apapọ yoo jẹ 7.
3. Yiyipada itumọ ẹsan tabi oju-aye le yi eto imulo ti o fẹ paapaa ni agbegbe kanna.

Apẹẹrẹ iṣiro yii ṣalaye ibi-afẹde naa; kii ṣe abajade imudaniloju ti o ni ilọsiwaju.