RL వాతావరణం అంటే ఏమిటి

What this lesson is about

RL అంటే బహుమతి సంకేతం ద్వారా నేర్చుకోవడం. ఒక పని ఎలా మోడల్ స్వయంగా అభ్యాసం చేయగలిగేలా మారుతుంది, మరియు ఏ పని అనర్హమవుతుందో చూడండి.

ఒక జట్టు ఒక మోడల్ మూడు పనులు ఒంటరిగా నేర్చుకోవాలని కోరుకుంటుంది: తేదీలను తిప్పడం, సానుభూతి గమనికలు రాయడం, అభివాదం ఎంచుకోవడం. మీరు ఏది ఎంచుకుంటారు?

Why this matters

శిక్షణ తర్వాత అభివృద్ధి వ్యక్తి ప్రతి ప్రయత్నాన్ని చదవకుండా విజయాన్ని అంచనా వేయగలిగే చోటే జరుగుతుంది.

ఏ పని మోడల్ స్వయంగా నడిపే అభ్యాసంగా మారగలదో, ఎందుకు అనేది చెప్పండి.

పని శిక్షణార్హం అవుతుంది అంటే అది వ్యక్తి లేకుండా నియమం ద్వారా స్కోర్ చేయబడగలగాలి.
పని అభ్యాసం అని పిలవడానికి ముందు విజయ తనిఖీని రాయాలి.
ఆ ఆటోమేటిక్ తనిఖీ ఏమి చూడలేదో చెప్పండి.

Task

మూడు సాధ్యమైన పనులు: తేదీ మార్చడం, సానుభూతి సందేశం, మర్యాదపూర్వక అభివాదం.

Weak approach మూడు పనులన్నింటినీ చదివి, వాటిలో ఏది వినియోగదారులకు ఎక్కువ సహాయం చేస్తుందో అడుగుతుంది. సానుభూతి సందేశాన్ని ఎంచుకొని దానికి చిన్న ప్రణాళికను రాస్తుంది. ఆ సందేశాలకు మార్కులు ఇవ్వగల ఏ నియమం లేదు, కాబట్టి చదివే వ్యక్తి లేకుండా ఎలాంటి అభ్యాసం జరగదు.

Stronger approach తేదీ పనిని ఎంచుకుంటుంది, సరైన పోలిక నియమాన్ని రాస్తుంది, ఆ నియమం స్వరం గురించి ఏమి చెప్పదని గమనిస్తుంది.

Why the stronger approach works ప్రాముఖ్యం ఉన్న పని శిక్షణార్హం కాదు. సులభంగా పునరావృతం అయ్యే తనిఖీ శిక్షణార్హతను నిర్ణయిస్తుంది.

Try a changed situation ఇప్పుడు శిక్షణ కేంద్రం మోడల్ కోసం కాదు, విద్యార్థుల కోసం రోజువారీ అభ్యాసం ఏర్పాటు చేయాలనుకుంటోంది. ఏ నియమం ఇంకా వర్తిస్తుంది?

Make something yourself మీ పని లేదా చదువులో ఒక పని ఎంచుకోండి. ఇన్‌పుట్, వ్యక్తి లేకుండా విజయాన్ని నిర్ణయించే ఖచ్చితమైన నియమం, ఆ నియమం చూడలేని ఒక లక్షణం వ్రాయండి.

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