RL ಪರಿಸರವೆಂದರೆ ಏನು

What this lesson is about

RL ಅಂದರೆ ಬಹುಮಾನ ಸೂಚನೆಯಿಂದ ಕಲಿಯುವುದು. ಒಂದು ಕಾರ್ಯವು ಮಾದರಿಯು ಸ್ವತಃ ಅಭ್ಯಾಸ ಮಾಡಬಹುದಾದದ್ದು ಹೇಗೆ ಆಗುತ್ತದೆ ಮತ್ತು ಯಾವ ಕಾರ್ಯವು ಅಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಿ.

ಒಂದು ತಂಡವು ಒಂದು ಮಾದರಿಯನ್ನು ಮೂರು ಕೆಲಸಗಳನ್ನು ಸ್ವತಃ ಕಲಿಯುವಂತೆ ಬಯಸುತ್ತದೆ: ದಿನಾಂಕಗಳನ್ನು ತಿರುಗಿಸುವುದು, ಸಹಾನುಭೂತಿ ನೋಟುಗಳನ್ನು ಬರೆಯುವುದು, ಶುಭಾಶಯವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು. ನೀವು ಯಾವದನ್ನು ಆರಿಸುತ್ತೀರಿ?

Why this matters

ತರಬೇತಿ ನಂತರದ ಬೆಳವಣಿಗೆ ವ್ಯಕ್ತಿಯು ಪ್ರತಿಯೊಂದು ಪ್ರಯತ್ನವನ್ನು ಓದದೆ ಯಶಸ್ಸನ್ನು ಅಳೆಯಬಹುದಾದಲ್ಲಿ ಮಾತ್ರ ಸಾಧ್ಯ.

ಯಾವ ಕಾರ್ಯವನ್ನು ಮಾದರಿ ಸ್ವತಃ ನಡೆಸಬಹುದಾದ ಅಭ್ಯಾಸವಾಗಿಸಬಹುದು ಮತ್ತು ಏಕೆ ಎಂದು ಹೇಳಿ.

ಯಾವ ಕಾರ್ಯವನ್ನು ನಿಯಮವು ವ್ಯಕ್ತಿಯಿಲ್ಲದೆ ಅಂಕಮಾಡಬಹುದಾದರೆ ಅದು ತರಬೇತಿಗೆ ಯೋಗ್ಯ.
ಕಾರ್ಯವನ್ನು ಅಭ್ಯಾಸ ಎಂದು ಕರೆಯುವ ಮೊದಲು ಯಶಸ್ಸಿನ ಪರಿಶೀಲನೆಯನ್ನು ಬರೆಯಿರಿ.
ಸ್ವಯಂಚಾಲಿತ ಪರಿಶೀಲನೆ ಏನನ್ನು ಕಾಣಲಾರದು ಎಂದು ಹೆಸರಿಸಿ.

Task

ಮೂರು ಸಾಧ್ಯ ಕಾರ್ಯಗಳು: ದಿನಾಂಕ ಬದಲಿಸುವುದು, ಸಹಾನುಭೂತಿಯ ಸಂದೇಶ, ಶಿಷ್ಟ ವಂದನೆ.

Weak approach ಮೂರು ಕಾರ್ಯಗಳನ್ನೂ ಓದಿ ಯಾವುದು ಬಳಕೆದಾರರಿಗೆ ಹೆಚ್ಚು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಕೇಳುತ್ತಾನೆ. ಸಹಾನುಭೂತಿಯ ಸಂದೇಶವನ್ನು ಆಯ್ಕೆಮಾಡಿ ಅದರಿಗಾಗಿ ಒಂದು ಚಿಕ್ಕ ಯೋಜನೆಯನ್ನು ಬರೆಯುತ್ತಾನೆ. ಆ ಸಂದೇಶಗಳಿಗೆ ಅಂಕ ನೀಡುವ ಯಾವುದೇ ನಿಯಮ ಬರೆಯಲಾಗಿಲ್ಲ, ಆದ್ದರಿಂದ ಓದುಗರಿಲ್ಲದೆ ಅಭ್ಯಾಸ ಸಾಧ್ಯವಿಲ್ಲ.

Stronger approach ದಿನಾಂಕ ಕಾರ್ಯವನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ಹೋಲಿಕೆಗಾಗಿ ನಿಖರ ನಿಯಮವನ್ನು ಬರೆಯುತ್ತದೆ ಮತ್ತು ಆ ನಿಯಮ ಧ್ವನಿಮಟ್ಟದ ಬಗ್ಗೆ ಏನೂ ಹೇಳುವುದಿಲ್ಲ ಎಂದು ಗಮನಿಸುತ್ತದೆ.

Why the stronger approach works ಮುಖ್ಯತೆಯು ಕಾರ್ಯವನ್ನು ತರಬೇತಿಗೆ ಯೋಗ್ಯವನ್ನಾಗಿಸುವುದಿಲ್ಲ. ಕಡಿಮೆ ವೆಚ್ಚದಲ್ಲಿ ಪುನರಾವರ್ತಿಸಬಹುದಾದ ಪರಿಶೀಲನೆ ಮಾಡುತ್ತದೆ.

Try a changed situation ಒಂದು ತರಬೇತಿ ಕೇಂದ್ರವು ಈಗ ಮಾದರಿಗಾಗಿ ಅಲ್ಲದೆ ತನ್ನ ವಿದ್ಯಾರ್ಥಿಗಳಿಗಾಗಿ ದೈನಂದಿನ ಅಭ್ಯಾಸವನ್ನು ನಿಗದಿಪಡಿಸಲು ಬಯಸುತ್ತದೆ. ಯಾವ ನಿಯಮ ಇನ್ನೂ ಅನ್ವಯಿಸುತ್ತದೆ?

Make something yourself ನಿಮ್ಮ ಕೆಲಸ ಅಥವಾ ಅಧ್ಯಯನದಿಂದ ಒಂದು ಕಾರ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ. ಇನ್ಪುಟ್, ವ್ಯಕ್ತಿಯಿಲ್ಲದೆ ಯಶಸ್ಸನ್ನು ನಿರ್ಧರಿಸುವ ನಿಖರ ನಿಯಮ ಮತ್ತು ಆ ನಿಯಮ ಕಾಣದ ಒಂದು ಗುಣವನ್ನು ಬರೆಯಿರಿ.

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