RL પર્યાવરણ શું છે

What this lesson is about

RL એટલે ઇનામના સંકેતથી શીખવું. જુઓ કે કેવી રીતે કોઈ કાર્ય એ રીતે બને છે કે મોડેલ પોતે જ તે પર અભ્યાસ કરી શકે, અને કઈ કામગીરી અનુકૂળ નથી.

એક ટીમ એક મોડેલને ત્રણ કામ પોતે શીખવા માંગે છે: તારીખને ઉલટાવવી, સહાનુભૂતિ નોટ લખવી, અભિવાદન પસંદ કરવું. તમે કયું પસંદ કરશો?

Why this matters

ટ્રેનિંગ પછી ફક્ત ત્યાં જ વધી શકે છે જ્યાં સફળતાનું મૂલ્યાંકન વ્યક્તિ વિના થઈ શકે.

કહો કે કોઈ કાર્ય એવો છે કે મોડેલ પોતે જ તે અભ્યાસ ચલાવી શકે અને કેમ.

કોઈ કાર્ય ત્યારે તાલીમ લાયક હોય છે જ્યારે નિયમ તે વ્યક્તિ વિના સ્કોર કરી શકે.
કાર્યને અભ્યાસ કહેતા પહેલા સફળતાની ચકાસણી લખો.
એવું શું નામ આપો જે આપમેળે ચાલતી ચકાસણી જોઈ શકતી નથી.

Task

ત્રણ શક્ય કાર્યો: તારીખ ફેરવવી, સહાનુભૂતિ સંદેશ, શિષ્ટ અભિવાદન.

Weak approach બધા ત્રણ કાર્ય વાંચે છે અને પૂછે છે કે કયું લોકો માટે સૌથી વધુ મદદરૂપ થશે. સહાનુભૂતિનો સંદેશ પસંદ કરે છે અને તેના માટે એક નાની યોજના લખે છે. એવા કોઈ નિયમ લખાયેલો નથી જે તે સંદેશાઓને ગુણ આપી શકે, તેથી વાંચન વિના કશું પણ પ્રેક્ટિસ કરી શકાતું નથી.

Stronger approach તારીખ કાર્ય પસંદ કરે છે, સરખામણી માટે ચોક્કસ નિયમ લખે છે, અને નોંધાવે છે કે નિયમ ટોન વિશે કંઈ નથી કહેતો.

Why the stronger approach works મહત્વપૂર્ણ હોવું કાર્યને તાલીમ લાયક બનાવતું નથી. સસ્તી અને વારંવાર ચાલતી ચકાસણી તે બનાવે છે.

Try a changed situation હવે એક તાલીમ કેન્દ્ર તેના વિદ્યાર્થીઓ માટે રોજનું અભ્યાસ નક્કી કરવા માંગે છે, મોડેલ માટે નહીં. કયો નિયમ હજુ લાગુ પડે છે?

Make something yourself તમારા કામ કે અભ્યાસમાંથી એક કાર્ય પસંદ કરો. ઇનપુટ લખો, સફળતાનું ચોક્કસ નિયમ જે વ્યક્તિ વિના નક્કી કરે, અને એક એવી ગુણવત્તા જે તે નિયમ જોઈ શકતો નથી.

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