യന്ത്രം വിവർത്തനം ചെയ്തതാണ്. ഇംഗ്ലീഷ്, ഹിന്ദി പരിശോധിച്ച പതിപ്പുകളാണ്.English हिन्दी

Learn
See
Try
Make

RL പരിസ്ഥിതി എന്താണ്

What this lesson is about

RL എന്നത് ഒരു പ്രതിഫല സിഗ്നലിൽ നിന്ന് പഠിക്കുന്നതിനെ അർത്ഥമാക്കുന്നു. ഒരു ടാസ്ക് എങ്ങനെ ഒരു മോഡൽ സ്വയം അഭ്യാസം നടത്താൻ കഴിയുന്ന ഒന്നായി മാറുന്നു എന്നത് കാണുക, കൂടാതെ ഏത് ടാസ്ക് അനുയോജ്യമല്ലെന്നും മനസിലാക്കുക.

ഒരു ടീം ഒരു മോഡലിന് മൂന്ന് ജോലികൾ സ്വയം പഠിക്കണമെന്ന് ആഗ്രഹിക്കുന്നു: തീയതികൾ തിരിയ്ക്കൽ, അനുശോചന കുറിപ്പ് എഴുതൽ, ഒരു അഭിവാദ്യം തിരഞ്ഞെടുക്കൽ. നിങ്ങൾ ഏത് തിരഞ്ഞെടുക്കും?

Why this matters

പരിശീലനം മാത്രമേ വളരൂ, വിജയമെന്നത് ഓരോ ശ്രമവും ഒരു വ്യക്തി വായിക്കാതെ വിലയിരുത്താനാകുമ്പോഴാണ്.

ഒരു ടാസ്ക് മോഡൽ സ്വയം നടത്താവുന്ന അഭ്യാസമായി മാറാമോ എന്ന് പറയുക, അതിന്റെ കാരണം ഉൾപ്പെടെ.

ഒരു ടാസ്ക് പരിശീലനയോഗ്യമാകുന്നത് ഒരു നിയമം അത് ഒരു വ്യക്തി ഇല്ലാതെ സ്കോർ ചെയ്യുമ്പോഴാണ്.
ടാസ്ക് അഭ്യാസം എന്ന് വിളിക്കുന്നതിന് മുമ്പ് വിജയ പരിശോധന എഴുതുക.
സ്വയം പ്രവർത്തിക്കുന്ന പരിശോധന കാണാൻ കഴിയാത്തത് എന്താണെന്ന് പറയുക.

Task

മൂന്ന് സാധ്യതയുള്ള ടാസ്കുകൾ: തീയതി മാറ്റൽ, അനുശോചന സന്ദേശം, വിനീതമായ അഭിവാദ്യം.

Weak approach മൂന്ന് ടാസ്കുകളും വായിച്ച് ഏതാണ് ഉപയോക്താക്കൾക്ക് ഏറ്റവും സഹായകരമാകുമെന്ന് ചോദിക്കുന്നു. കരുണാസന്ദേശം തിരഞ്ഞെടുക്കുകയും അതിനായി ചെറിയ ഒരു പദ്ധതി എഴുതുകയും ചെയ്യുന്നു. ആ സന്ദേശങ്ങൾക്ക് മാർക്ക് നൽകാൻ കഴിയുന്ന ഒരു നിയമവും എഴുതപ്പെട്ടിട്ടില്ല, അതിനാൽ വായനക്കാരില്ലാതെ പരിശീലനം നടക്കാനാകില്ല.

Stronger approach തീയതി ടാസ്ക് തിരഞ്ഞെടുക്കുന്നു, താരതമ്യത്തിന് കൃത്യമായ നിയമം എഴുതുന്നു, ആ നിയമം ശൈലിയെക്കുറിച്ച് ഒന്നും പറയുന്നില്ലെന്ന് കുറിക്കുന്നു.

Why the stronger approach works പ്രധാനമാണെന്നത് ടാസ്ക് പരിശീലനയോഗ്യമാക്കുന്നില്ല. എളുപ്പത്തിൽ ആവർത്തിക്കാവുന്ന പരിശോധനയാണ് അത് ചെയ്യുന്നത്.

Try a changed situation ഒരു പരിശീലന കേന്ദ്രം ഇപ്പോൾ മോഡലിനല്ല, വിദ്യാർത്ഥികൾക്ക് ദിവസേന അഭ്യാസം നിശ്ചയിക്കാൻ ആഗ്രഹിക്കുന്നു. ഏത് നിയമം ഇപ്പോഴും ബാധകമാണ്?

Make something yourself നിങ്ങളുടെ ജോലി അല്ലെങ്കിൽ പഠനത്തിൽ നിന്നൊരു ടാസ്ക് തിരഞ്ഞെടുക്കുക. ഇൻപുട്ടും, വ്യക്തി ഇല്ലാതെ വിജയമെന്ന് തീരുമാനിക്കുന്ന കൃത്യമായ നിയമവും, ആ നിയമം കാണാൻ കഴിയാത്ത ഒരു ഗുണവും എഴുതുക.

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