RL ପରିବେଶ କ’ଣ?

What this lesson is about

RL ଅର୍ଥ ହେଉଛି ପୁରସ୍କାର ସଙ୍କେତରୁ ଶିଖିବା। ଦେଖନ୍ତୁ କିପରି ଏକ କାର୍ଯ୍ୟ ଏମିତି ହୁଏ ଯାହା ଉପରେ ଏକ ମଡେଲ୍ ନିଜେ ଅଭ୍ୟାସ କରିପାରେ, ଏବଂ କ’ଣ କାର୍ଯ୍ୟ ଅଯୋଗ୍ୟ।

ଏକ ଟିମ୍ ଚାହୁଁଛି ଏକ ମଡେଲ୍ ତିନୋଟି କାମ ଏକାକାରେ ଶିଖିବାକୁ: ତାରିଖ ଫେରାଇବା, ସହାନୁଭୂତି ସନ୍ଦେଶ ଲେଖିବା, ଏକ ଅଭିବାଦନ ବାଛିବା। ଆପଣ କେଉଁଟି ବାଛିବେ?

Why this matters

ପୋଷ୍ଟ-ଟ୍ରେନିଂ ସେଉଠାରେ ବୃଦ୍ଧି ପାଏ ଯେଉଁଠାରେ ସଫଳତା ମନୁଷ୍ୟ ବିନା ପରୀକ୍ଷା କରାଯାଇପାରେ।

କହନ୍ତୁ କି ଏକ କାର୍ଯ୍ୟ ଏମିତି ଅଭ୍ୟାସ ହେବାକୁ ପାରେ ଯାହା ମଡେଲ୍ ନିଜେ ଚାଲାଇପାରେ, ଏବଂ କାହିଁକି।

ଏକ କାର୍ଯ୍ୟ ଟ୍ରେନେବଲ୍ ହୁଏ ଯେତେବେଳେ ଏକ ନିୟମ ମନୁଷ୍ୟ ବିନା ଏହାକୁ ମୂଲ୍ୟାଙ୍କନ କରିପାରେ।
ଅଭ୍ୟାସ କୁହାଯିବା ପୂର୍ବରୁ ସଫଳତା ଯାଞ୍ଚ ଲେଖନ୍ତୁ।
ଯାଞ୍ଚ ଯାହା ଦେଖିପାରେ ନାହିଁ ସେଥିରେ କ’ଣ ଅଛି ନାମକରଣ କରନ୍ତୁ।

Task

ତିନୋଟି ସମ୍ଭାବ୍ୟ କାର୍ଯ୍ୟ: ତାରିଖ ପରିବର୍ତ୍ତନ, ସମବେଦନା ମେସେଜ୍, ନମ୍ର ସ୍ୱାଗତ।

Weak approach ସେ ତିନୋଟି କାମ ପଢ଼ିଥାଏ ଏବଂ ପ୍ରଶ୍ନ କରେ କେଉଁଟି ଉପଯୋଗକର୍ତ୍ତାଙ୍କ ପାଇଁ ସବୁଠାରୁ ଉପକୃତିକର ହେବ। ସମ୍ବେଦନାର ସନ୍ଦେଶ ଚୟନ କରେ ଏବଂ ତାହା ପାଇଁ ଏକ ଛୋଟ ଯୋଜନା ଲେଖେ। କୌଣସି ଏମିତି ନିୟମ ଲେଖାଯାଇନାହିଁ ଯାହା ସେହି ସନ୍ଦେଶଗୁଡ଼ିକୁ ମାପି ପାରିବ, ତେଣୁ ପାଠକ ବିନା କୌଣସି ଅଭ୍ୟାସ ସମ୍ଭବ ନୁହେଁ।

Stronger approach ତାରିଖ କାର୍ଯ୍ୟ ଚୟନ କରେ, ତୁଳନା ପାଇଁ ସଠିକ୍ ନିୟମ ଲେଖେ, ଏବଂ ନିୟମ ଭାଷାର ଟୋନ୍ ବିଷୟରେ କିଛି କହେ ନାହିଁ ବୋଲି ଲେଖେ।

Why the stronger approach works ମହତ୍ତ୍ୱପୂର୍ଣ୍ଣ ହେବା ଏକ କାର୍ଯ୍ୟକୁ ଟ୍ରେନେବଲ୍ କରେ ନାହିଁ। ସସ୍ତା ଏବଂ ପୁନରାବୃତ୍ତି ହେବା ଯାଞ୍ଚ କରେ।

Try a changed situation ଏବେ ଏକ ଟ୍ରେନିଂ ସେଣ୍ଟର୍ ମଡେଲ୍ ପାଇଁ ନୁହେଁ, ତାଙ୍କର ଛାତ୍ରଛାତ୍ରୀଙ୍କ ପାଇଁ ଦୈନିକ ଅଭ୍ୟାସ ନିର୍ଦ୍ଧାରଣ କରିବାକୁ ଚାହାଁଛି। କେଉଁ ନିୟମ ଏହିଥିରେ ଏବେ ମଧ୍ୟ ପ୍ରୟୋଗ ହୁଏ?

Make something yourself ଆପଣଙ୍କର କାମ କିମ୍ବା ପଢ଼ାଇରୁ ଗୋଟିଏ କାର୍ଯ୍ୟ ଚୟନ କରନ୍ତୁ। ଇନପୁଟ୍, ସଫଳତା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ସଠିକ୍ ନିୟମ, ଏବଂ ନିୟମ ଯାହା ଦେଖିପାରେ ନାହିଁ ସେଥିରୁ ଗୋଟିଏ ଗୁଣ ଲେଖନ୍ତୁ।

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