किं RL पर्यावरणं

What this lesson is about

RL इति पुरस्कार-सङ्केतात् शिक्षणं। पश्य तस्य कार्यस्य यथा स्वयमेव अभ्यासाय योग्यं रूपं भवति, च कार्यं यत् अभ्यासाय अयोग्यं भवति।

एकः दलः एकं मॉडलं स्वयमेव त्रयः कर्माणि शिक्षितुम् इच्छति: दिनाङ्कानां परिवर्तनं, करुणा-पत्रस्य लेखनं, अभिवादनस्य चयनं। त्वं कं चयनयसि?

Why this matters

अन्तःप्रशिक्षणं तत्रैव वृद्धिं यान्ति यत्र सफलतां मानवः प्रत्येकप्रयत्नं न पठित्वा निर्णेतुं शक्नोति।

वद यत् कार्यं अभ्यासरूपेण स्वयमेव सञ्चालितुं शक्यते वा न, च कारणं।

कार्यं तदा अभ्यासलायकं यदा नियमः तं मानवः विना मूल्याङ्कयितुं शक्नोति।
कार्यं अभ्यासरूपेण कथ्यते तदा पूर्वमेव सफलतायाः परीक्षणं लिख।
यत् स्वयमेव सञ्चाल्यते तस्य परीक्षणस्य अज्ञातं किम् इति नाम।

Task

त्रयः संभाव्याः कार्याः: तिथ्याः परिवर्तनं, सहानुभूतिकं सन्देशं, नम्रं अभिवादनं।

Weak approach त्रयाणि कार्याणि पठति च पृच्छति यत् कतम् अधिकं जनानां हिताय स्यात्। करुणासन्देशं चयनं करोति च तस्मै लघुयोजनां लिखति। न कश्चन नियमः लिखितः यः तेषां सन्देशानां मूल्याङ्कनं कर्तुं शक्नोति, अतः पाठकस्य विना अभ्यासः न शक्यते।

Stronger approach तिथ्याः कार्यं चयनं करोति, तुलनायाः यथार्थं नियमं लिखति, च लिखति यत् नियमः भाषाशैली विषये न किञ्चित् वदति।

Why the stronger approach works महत्त्वं कार्यस्य अभ्यासलायकत्वं न करोति। सुलभं पुनरावृत्तिं शक्नोति परीक्षणं करोति।

Try a changed situation अधुना प्रशिक्षणकेंद्रः न मॉडलाय, किन्तु स्वविद्यार्थिभ्यः प्रतिदिनं अभ्यासं स्थापयितुम् इच्छति। कः नियमः तावत् अपि लागू भवति?

Make something yourself स्वकार्ये वा अध्ययनस्य कार्यं एकं चयनय। लिख यत् तस्मिन् किम् दत्तं भवति, यः नियमः सफलतां मानवः विना निर्णेतुं शक्नोति, च एकं गुणं यत् नियमः न पश्यति।

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