मशीनने अनुवादित केले आहे. इंग्रजी आणि हिंदी ही पुनरावलोकित आवृत्त्या आहेत.English हिन्दी

Learn
See
Try
Make

RL वातावरण म्हणजे काय

What this lesson is about

RL म्हणजे बक्षीसाच्या संकेतावरून शिकणे. पाहा एखादा काम कसा असा होतो ज्यावर एखादा मॉडेल स्वतः सराव करू शकतो, आणि कोणते काम त्यासाठी योग्य नाही.

एका टीमला एक मॉडेल तीन काम स्वतः शिकावंयाचं आहे: तारखा उलटवणं, सहानुभूती नोट लिहिणं, अभिवादन निवडणं. तुम्ही कोणतं निवडाल?

Why this matters

प्रशिक्षण नंतर फक्त तेथे वाढते जिथे यश माणूस प्रत्येक प्रयत्न वाचल्याशिवाय ठरवता येते.

सांगा एखादे काम असे आहे का जे मॉडेल स्वतः चालवून सराव करू शकते, आणि का.

काम तेव्हाच सरावासाठी योग्य असते जेव्हा नियम ते माणूस न पाहता स्कोअर करू शकतो.
कामाला सराव म्हणण्यापूर्वी यश तपासणी लिहा.
स्वयंचलित तपासणी काय पाहू शकत नाही ते सांगा.

Task

तीन शक्य कामे: तारीख उलटणे, सहानुभूतीचा संदेश, नम्र अभिवादन.

Weak approach तीनही काम वाचतो आणि विचारतो की कोणता काम वापरकर्त्यांना सर्वात जास्त मदत करेल. सहानुभूतीचा संदेश निवडतो आणि त्यासाठी एक छोटी योजना लिहितो. अशा कोणत्याही नियमाचा उल्लेख नाही जो त्या संदेशांना गुण देऊ शकेल, त्यामुळे वाचकाशिवाय काहीही सराव करता येत नाही.

Stronger approach तारीख काम निवडतो, तुलना करण्याचा अचूक नियम लिहितो, आणि नमूद करतो की नियम टोनबद्दल काही सांगत नाही.

Why the stronger approach works महत्त्वाचे असणे कामाला सरावासाठी योग्य बनवत नाही. स्वस्त तपासणी जी वारंवार करता येते ती बनवते.

Try a changed situation आता प्रशिक्षण केंद्र मॉडेलसाठी नव्हे, तर विद्यार्थ्यांसाठी दररोजचा सराव ठरवू इच्छिते. कोणता नियम अजूनही लागू आहे?

Make something yourself तुमच्या स्वतःच्या कामातून किंवा अभ्यासातून एक काम निवडा. त्याचा इनपुट, माणूस न पाहता यश ठरवणारा अचूक नियम, आणि तो नियम काय पाहू शकत नाही हे लिहा.

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