RL পৰিৱেশ কি

What this lesson is about

RL মানে হৈছে পুৰস্কাৰ সংকেতৰ পৰা শিকিব। চাওক কেনেকৈ এটা কাম মডেলে নিজে নিজকে অনুশীলন কৰিব পৰা বস্তু হৈ পৰে, আৰু কোনটো কাম উপযুক্ত নহয়।

এটা দলে এটা মডেলক তিনিটা কাম নিজে নিজে শিকিবলৈ বিচাৰে: তাৰিখ উলটাই দিয়া, সমবেদনা পত্ৰ লিখা, শুভেচ্ছা বাচনি কৰা। আপুনি কোনটো বাচিব?

Why this matters

প্ৰশিক্ষণ মাত্ৰ তেতিয়াহে বৃদ্ধি পায় যেতিয়া সফলতা মানুহে প্ৰতিটো চেষ্টা পঢ়া অবিহনে বিচাৰ কৰিব পাৰে।

কোৱা যে কোনো কাম মডেলে নিজে নিজকে চলোৱা অনুশীলনলৈ পৰিণত কৰিব পাৰি নে নাই, আৰু কিয়।

এটা কাম অনুশীলনযোগ্য হয় যেতিয়া এটা নিয়মে মানুহৰ অবিহনে ইয়াক নম্বৰ দিব পাৰে।
কামটো অনুশীলন বুলি কোৱাৰ আগতে সফলতাৰ পৰীক্ষা লিখক।
কোৱা যে স্বয়ংক্ৰিয় পৰীক্ষাই কি নেদেখিব পাৰে।

Task

তিনি সম্ভাৱ্য কাম: এটা তাৰিখ সলনি কৰা, সহানুভূতিৰ বাৰ্তা, শিষ্ট আচৰণৰ শুভেচ্ছা।

Weak approach তিনিওটা কাম পঢ়ে আৰু সুধে কোনটোৱে ব্যৱহাৰকাৰীক আটাইতকৈ বেছি সহায় কৰিব। সহানুভূতিৰ বাৰ্তা বাচি লৈ তাৰ বাবে এটা সৰু পৰিকল্পনা লিখে। এনে কোনো নিয়ম নাথাকে যিয়ে সেই বাৰ্তাবোৰক নম্বৰ দিব পাৰে, সেয়ে পঢ়ুৱৈ নাথাকিলে অনুশীলন সম্ভৱ নহয়।

Stronger approach তাৰিখৰ কাম বাচে, তুলনাৰ সঠিক নিয়ম লিখে, আৰু উল্লেখ কৰে যে নিয়মটোৱে ভাষাৰ ধৰণ সম্পৰ্কে কিবা নকয়।

Why the stronger approach works গুৰুত্বপূর্ণ হোৱাটো কামক অনুশীলনযোগ্য নকৰে। সস্তা আৰু পুনৰাবৃত্তি কৰিব পৰা পৰীক্ষাই কৰে।

Try a changed situation এখন প্ৰশিক্ষণ কেন্দ্ৰ এতিয়া মডেলৰ বাবে নহয়, নিজৰ ছাত্ৰ-ছাত্ৰীসকলৰ বাবে দৈনিক অনুশীলন স্থাপন কৰিব বিচাৰে। কোন নিয়ম এতিয়াও প্ৰযোজ্য?

Make something yourself নিজৰ কাম বা অধ্যয়ন পৰা এটা কাম বাচক। লিখক ইনপুট, সফলতা নিৰ্ণয় কৰিব পৰা সঠিক নিয়ম যি মানুহৰ অবিহনে কাম কৰে, আৰু এটা গুণ যি নিয়মটোৱে নেদেখিব পাৰে।

Read the primary or official source: Towers et al., Gymnasium: A Standard Interface for Reinforcement Learning Environments (arXiv)