RL माहौल की है

What this lesson is about

RL मतलब इनाम दी सिग्नल तों सीखना। देखो किमे इक काम एडा बनदा है जिदे ते मॉडल आपणे आप अभ्यास कर सके, अते किन्ना काम ठीक नहीं हुंदा।

एक टीम इक मॉडल नूं तीन कम अकेल्ला सिखाणा चांदी ऐ: तारीखां नूं उलटणा, सहानुभूति वाले नोट लिखणा, सलाम चुनणा। तुसीं किन्ना चुनोगे?

Why this matters

ट्रेनिंग तदों वधदी है जदों सफलता बिना बंदे दे हर कोशिश पढ़े बिना जाची जा सके।

दसो कि कोई काम अभ्यास विच बदले जा सकदा है जिदे ते मॉडल आपणे आप चल सके, अते क्यूं।

ट्रेनिंग तदों वधदी है जदों सफलता बिना बंदे दे हर कोशिश पढ़े बिना जाची जा सके।

काम तब ट्रेनिंग लायक है जदों इक नियम बिना बंदे दे उसनु स्कोर कर सके।
काम नु अभ्यास कहन तो पहले सफलता दी जांच लिखो।
दसो कि ओ आपो आप चलन वाली जांच की नहीं देख सकदी।

Task

तीन संभावित काम: तारीख बदलना, दुख दी संदेश लिखना, शिष्ट अभिवादन चुनना।

Weak approach तीनुं काम पढ़दा ऐ ते पुछदा ऐ कि किड़ा लोकां नूं सब तों वध मदद करेगा। सहानुभूति वाला संदेश चुनदा ऐ ते उस वास्ते छोटा योजना लिखदा ऐ। पर कोई नियम नहीं लिख्या जो उन संदेशां नूं अंक दे सके, इसलई बिना पढ़न वाले दे अभ्यास नहीं हो सकदा।

Stronger approach तारीख वाला काम चुनदा है, तुलना दा सटीक नियम लिखदा है, अते लिखदा है कि ओ नियम लहजे बारे कुछ नहीं कहंदा।

Why the stronger approach works जरूरी होना काम नु ट्रेनिंग लायक नहीं बनांदा। सस्ती अते बार-बार होण वाली जांच बनांदी है।

Try a changed situation हुण इक ट्रेनिंग सेंटर मॉडल वास्ते नहीं, पर अपने विद्यार्थी वास्ते रोज अभ्यास तय करना चाहंदा है। कड़ा नियम हले वी लागू है?

Make something yourself अपने काम या पढ़ाई विचों इक काम चुनो। लिखो कि ओह की है, बिना बंदे दे सफलता तय करन वाला सटीक नियम की है, अते ओ नियम की गल नहीं देख सकदा।

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