Imọ Itọsọna
Ẹkọ imudara
Ẹkọ imudaniloju kọ oluranlowo lati yan awọn iṣe nipa lilo esi nipa awọn abajade wọn.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
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.
Jin Dive
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.
04Apẹẹrẹ ṣiṣẹ
Ṣe iṣiro ipadabọ ẹdinwo
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.
Abajade naa jẹ 6.05. Ti ko ba si ẹdinwo, apapọ yoo jẹ 7.
Yiyipada itumọ ẹsan tabi oju-aye le yi eto imulo ti o fẹ paapaa ni agbegbe kanna.
Ohun ti o fihan
Apẹẹrẹ iṣiro yii ṣalaye ibi-afẹde naa; kii ṣe abajade imudaniloju ti o ni ilọsiwaju.
Real-World imuse
Kọ eto imulo kan ni simulator pẹlu awọn iṣe ailewu ti a ṣalaye kedere.
Ṣe afiwe awọn eto imulo iṣe nipa lilo awọn abajade ti o gbasilẹ nigbati awọn iṣaro igbelewọn jẹ olugbeja.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iye owo ati isuna. Awọn ipinnu faaji ṣe awakọ iṣẹ ati idiyele iṣẹ fun awọn ọdun.
- Awọn ipinnu diẹ sii. Ẹkọ imọ-ẹrọ ṣe iranlọwọ fun awọn ẹgbẹ lati yan akopọ to tọ, kii ṣe ọkan tuntun nikan.
- Iṣakoso didara. Awọn yiyan imọ-ẹrọ to dara julọ dinku awọn iṣẹlẹ igbẹkẹle ni iṣelọpọ.
Ṣọra fun
- Ṣiṣepe ala-ilẹ kan le tọju awọn ailagbara eto ti o gbooro.
- Awọn ohun elo amayederun ati awọn idiyele itọju nigbagbogbo ni aibikita.
- Aabo ati awọn ela akiyesi le dagba bi awọn eto ṣe di eka sii.
Next awọn igbesẹ
- Ṣetumo lairi, didara, ati awọn ibi-afẹde idiyele ṣaaju imuse.
- Aṣepari labẹ ẹru ojulowo ati awọn ipo data.
- Abojuto ohun elo fun awọn aṣiṣe, fiseete, ati ipa olumulo.
- Mura ipadasẹhin pada ati awọn ipa ọna esi iṣẹlẹ ṣaaju iwọn.
Awọn orisun ati siwaju kika
- MIT Press; Richard S. Sutton and Andrew G. BartoẸkọ Imudaniloju: Ifihan kan
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Reinforcement Learning quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Ṣe ere jẹ kanna bi itẹwọgba eniyan?
Ko ṣe dandan. Awọn ere le jẹ awọn wiwọn nọmba, awọn abajade, tabi awọn aṣoju esi. Asopọ wọn si ibi-afẹde ti a pinnu gbọdọ wa ni ayẹwo.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii