RL ماحول ڇا آهي

What this lesson is about

RL جو مطلب آهي انعام جي سگنل مان سکڻ. ڏسو ڪيئن ڪو ڪم اهڙو بڻجي ٿو جنهن تي ماڊل پاڻ مشق ڪري سگهي ٿو، ۽ ڪهڙو ڪم ان لاءِ مناسب ناهي.

هڪ ٽيم چاهي ٿي ته ماڊل پاڻمرادو ٽي ڪم سکڻ: تاريخون الٽائڻ، همدردي جا نوٽ لکڻ، سلام چونڊڻ. توهان ڪهڙو چونڊيو؟

Why this matters

پوسٽ ٽريننگ صرف اتي وڌي ٿي جتي ڪاميابي کي بغير ڪنهن ماڻهو جي پڙهڻ جي پرکيو وڃي.

چئو ته ڪو ڪم اهڙو آهي جيڪو ماڊل پاڻ هلائي مشق بڻجي سگهي ٿو يا نه، ۽ ڇو.

پوسٽ ٽريننگ صرف اتي وڌي ٿي جتي ڪاميابي کي بغير ڪنهن ماڻهو جي پڙهڻ جي پرکيو وڃي.

ڪم تڏهن ٽرين ڪرڻ جوڳو آهي جڏهن ڪو قاعدو بغير ڪنهن ماڻهو جي ان کي اسڪور ڪري سگهي.
ڪم کي مشق سڏڻ کان اڳ ڪاميابي جي چيڪ لکڻ.
چئو ته اهو پاڻمرادو چيڪ ڇا نٿو ڏسي سگهي.

Task

ٽئي ممڪن ڪم: تاريخ کي تبديل ڪرڻ، همدردي جو پيغام لکڻ، شائسته سلام چونڊڻ.

Weak approach ٽينهي ڪم پڙهي ٿو ۽ پڇي ٿو ته ڪهڙو ڪم صارفين لاءِ سڀ کان وڌيڪ مددگار ٿيندو. همدردي جو پيغام چونڊي ٿو ۽ ان لاءِ هڪ ننڍڙي رٿا لکي ٿو. ڪو به اهڙو قاعدو ناهي لکيل جيڪو انهن پيغامن کي اسڪور ڪري، تنهنڪري پڙهندڙ کان سواءِ ڪو مشق ٿي نٿي سگهي.

Stronger approach تاريخ جو ڪم چونڊيندو آهي، مقابلي جو صحيح قاعدو لکي ٿو، ۽ نوٽ ڪري ٿو ته اهو قاعدو لهجي بابت ڪجھ نٿو چوي.

Why the stronger approach works اهم هجڻ ڪم کي ٽرين ڪرڻ جوڳو نٿو بڻائي. سستو ۽ ورجائڻ لائق چيڪ بڻائي ٿو.

Try a changed situation هاڻي هڪ ٽريننگ سينٽر پنهنجي شاگردن لاءِ روزاني مشق مقرر ڪرڻ چاهي ٿو، ماڊل لاءِ نه. ڪهڙو قاعدو اڃا لاڳو آهي؟

Make something yourself پنهنجي ڪم يا پڙهائي مان هڪ ڪم چونڊيو. ان جو ان پٽ، ڪاميابي جو صحيح قاعدو جيڪو بغير ڪنهن ماڻهو جي فيصلو ڪري، ۽ هڪ اهڙي خاصيت جو ذڪر ڪريو جيڪا اهو قاعدو نٿو ڏسي سگهي.

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