ਮਸ਼ੀਨ ਦੁਆਰਾ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ। ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਹਿੰਦੀ ਸਮੀਖਿਆ ਕੀਤੇ ਗਏ ਸੰਸਕਰਣ ਹਨ।English हिन्दी

Learn
See
Try
Make

RL ਵਾਤਾਵਰਣ ਕੀ ਹੁੰਦਾ ਹੈ

What this lesson is about

RL ਦਾ ਮਤਲਬ ਇਨਾਮ ਦੇ ਸੰਕੇਤ ਤੋਂ ਸਿੱਖਣਾ ਹੈ। ਵੇਖੋ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਕੋਈ ਕੰਮ ਮਾਡਲ ਲਈ ਖੁਦ ਅਭਿਆਸ ਕਰਨ ਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕਿਹੜਾ ਕੰਮ ਇਸ ਲਈ ਠੀਕ ਨਹੀਂ ਹੁੰਦਾ।

ਇੱਕ ਟੀਮ ਚਾਹੁੰਦੀ ਹੈ ਕਿ ਮਾਡਲ ਤਿੰਨ ਕੰਮ ਆਪਣੇ ਆਪ ਸਿੱਖੇ: ਤਾਰੀਖਾਂ ਨੂੰ ਉਲਟਣਾ, ਸਹਾਨੁਭੂਤੀ ਦੇ ਨੋਟ ਲਿਖਣਾ, ਸਲਾਮ ਚੁਣਨਾ। ਤੁਸੀਂ ਕਿਹੜਾ ਚੁਣੋਗੇ?

Why this matters

ਟ੍ਰੇਨਿੰਗ ਸਿਰਫ਼ ਓਥੇ ਵਧਦੀ ਹੈ ਜਿੱਥੇ ਸਫਲਤਾ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਪੜ੍ਹਨ ਦੇ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਦੱਸੋ ਕਿ ਕੋਈ ਕੰਮ ਮਾਡਲ ਖੁਦ ਚਲਾਉਣ ਵਾਲੇ ਅਭਿਆਸ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ ਜਾਂ ਨਹੀਂ, ਅਤੇ ਕਿਉਂ।

ਕੰਮ ਅਭਿਆਸ ਯੋਗ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਕੋਈ ਨਿਯਮ ਬਿਨਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਉਸ ਨੂੰ ਅੰਕ ਦੇ ਸਕੇ।
ਅਭਿਆਸ ਕਹਿਣ ਤੋਂ ਪਹਿਲਾਂ ਸਫਲਤਾ ਦੀ ਜਾਂਚ ਲਿਖੋ।
ਦੱਸੋ ਕਿ ਆਟੋਮੈਟਿਕ ਚੈੱਕ ਕੀ ਨਹੀਂ ਦੇਖ ਸਕਦਾ।

Task

ਤਿੰਨ ਸੰਭਾਵਿਤ ਕੰਮ: ਤਾਰੀਖ ਬਦਲਣਾ, ਸਾਂਤਵਨਾ ਦਾ ਸੁਨੇਹਾ, ਸਲਾਮੀ।

Weak approach ਸਾਰੇ ਤਿੰਨ ਕੰਮ ਪੜ੍ਹਦਾ ਹੈ ਅਤੇ ਪੁੱਛਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਸਭ ਤੋਂ ਵੱਧ ਮਦਦਗਾਰ ਹੋਵੇਗਾ। ਸਹਾਨੁਭੂਤੀ ਦਾ ਸੁਨੇਹਾ ਚੁਣਦਾ ਹੈ ਅਤੇ ਉਸ ਲਈ ਇੱਕ ਛੋਟੀ ਯੋਜਨਾ ਲਿਖਦਾ ਹੈ। ਕੋਈ ਐਸਾ ਨਿਯਮ ਨਹੀਂ ਲਿਖਿਆ ਜੋ ਉਹਨਾਂ ਸੁਨੇਹਿਆਂ ਨੂੰ ਸਕੋਰ ਕਰ ਸਕੇ, ਇਸ ਲਈ ਬਿਨਾਂ ਕਿਸੇ ਪੜ੍ਹਨ ਵਾਲੇ ਦੇ ਅਭਿਆਸ ਨਹੀਂ ਹੋ ਸਕਦਾ।

Stronger approach ਤਾਰੀਖ ਦਾ ਕੰਮ ਚੁਣਦਾ ਹੈ, ਤੁਲਨਾ ਲਈ ਸਹੀ ਨਿਯਮ ਲਿਖਦਾ ਹੈ, ਅਤੇ ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਨਿਯਮ ਟੋਨ ਬਾਰੇ ਕੁਝ ਨਹੀਂ ਕਹਿੰਦਾ।

Why the stronger approach works ਮਹੱਤਵਪੂਰਨ ਹੋਣਾ ਕੰਮ ਨੂੰ ਅਭਿਆਸ ਯੋਗ ਨਹੀਂ ਬਣਾਉਂਦਾ। ਸਸਤੀ ਅਤੇ ਦੁਹਰਾਈ ਜਾ ਸਕਣ ਵਾਲੀ ਜਾਂਚ ਬਣਾਉਂਦਾ ਹੈ।

Try a changed situation ਹੁਣ ਇੱਕ ਟ੍ਰੇਨਿੰਗ ਸੈਂਟਰ ਆਪਣੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਰੋਜ਼ਾਨਾ ਅਭਿਆਸ ਤੈਅ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ, ਮਾਡਲ ਲਈ ਨਹੀਂ। ਕਿਹੜਾ ਨਿਯਮ ਫਿਰ ਵੀ ਲਾਗੂ ਹੁੰਦਾ ਹੈ?

Make something yourself ਆਪਣੇ ਕੰਮ ਜਾਂ ਪੜ੍ਹਾਈ ਵਿੱਚੋਂ ਇੱਕ ਕੰਮ ਚੁਣੋ। ਲਿਖੋ ਕਿ ਇਨਪੁੱਟ ਕੀ ਹੈ, ਸਫਲਤਾ ਦਾ ਨਿਯਮ ਜੋ ਬਿਨਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੇ ਫੈਸਲਾ ਕਰੇਗਾ, ਅਤੇ ਇੱਕ ਗੁਣ ਜੋ ਨਿਯਮ ਨਹੀਂ ਦੇਖ ਸਕਦਾ।

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