RL পরিবেশ কী

What this lesson is about

RL মানে পুরস্কার সংকেত থেকে শেখা। দেখুন কীভাবে একটি কাজ এমন কিছুতে পরিণত হয় যা মডেল নিজে থেকে অনুশীলন করতে পারে, এবং কী কাজ অনুপযুক্ত।

একটি দল চায় একটি মডেল তিনটি কাজ একা শিখুক: তারিখ উল্টে দেওয়া, সহানুভূতির নোট লেখা, শুভেচ্ছা বাছাই করা। আপনি কোনটি বাছবেন?

Why this matters

শিক্ষা পরে তখনই বাড়ে যখন সফলতা বিচার করা যায় মানুষ প্রতিটি প্রচেষ্টা পড়া ছাড়াই।

বলুন কোন কাজ মডেল নিজে চালানো অনুশীলনে পরিণত হতে পারে এবং কেন।

কোন কাজ তখনই প্রশিক্ষণযোগ্য যখন একটি নিয়ম মানুষ ছাড়াই স্কোর দিতে পারে।
কাজকে অনুশীলন বলার আগে সফলতা পরীক্ষা লিখে নিন।
বলেন স্বয়ংক্রিয় পরীক্ষা কী দেখতে পারে না।

Task

তিনটি সম্ভাব্য কাজ: একটি তারিখ পরিবর্তন, সমবেদনার বার্তা, একটি ভদ্র অভিবাদন।

Weak approach তিনটি কাজই পড়ে দেখে কোনটি ব্যবহারকারীদের সবচেয়ে বেশি সাহায্য করবে। সহানুভূতির বার্তাটি বেছে নিয়ে তার জন্য একটি ছোট পরিকল্পনা লেখে। এমন কোনো নিয়ম লেখা হয়নি যা ওই বার্তাগুলোর কোনো একটি স্কোর করতে পারে, তাই পাঠক ছাড়া কিছুই অনুশীলন করা যায় না।

Stronger approach তারিখের কাজ বেছে নেয়, তুলনার সঠিক নিয়ম লিখে, এবং উল্লেখ করে যে নিয়মটি স্বর বা টোন সম্পর্কে কিছু বলে না।

Why the stronger approach works কোন কাজ গুরুত্বপূর্ণ হওয়া তাকে প্রশিক্ষণযোগ্য করে না। একটি সস্তা এবং বারবার চালানো যায় এমন পরীক্ষা করে।

Try a changed situation একটি প্রশিক্ষণ কেন্দ্র এখন মডেলের জন্য নয়, তার শিক্ষার্থীদের জন্য দৈনিক অনুশীলন নির্ধারণ করতে চায়। কোন নিয়ম এখনও প্রযোজ্য?

Make something yourself আপনার কাজ বা পড়াশোনা থেকে একটি কাজ বেছে নিন। ইনপুট লিখুন, সঠিক নিয়ম যা মানুষ ছাড়াই সফলতা নির্ধারণ করবে, এবং একটি গুণ যা নিয়মটি দেখতে পারে না।

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