RL ماحول کیا ہے

What this lesson is about

RL کا مطلب ہے انعامی اشارے سے سیکھنا۔ دیکھیں کہ کوئی کام کیسے ایسا بن جاتا ہے جس پر ماڈل خود مشق کر سکے، اور کون سا کام اس کے لیے مناسب نہیں ہوتا۔

ایک ٹیم چاہتی ہے کہ ماڈل تین کام خود سیکھے: تاریخوں کو الٹنا، ہمدردی کے نوٹس لکھنا، سلام کا انتخاب کرنا۔ آپ کیا چنتے ہیں؟

Why this matters

بعد کی تربیت صرف وہاں بڑھتی ہے جہاں کامیابی کو بغیر کسی انسان کے ہر کوشش کو پڑھے پرکھا جا سکے۔

بتائیں کہ کوئی کام ایسی مشق میں بدلا جا سکتا ہے جو ماڈل خود چلا سکے، اور کیوں۔

بعد کی تربیت صرف وہاں بڑھتی ہے جہاں کامیابی کو بغیر کسی انسان کے ہر کوشش کو پڑھے پرکھا جا سکے۔

کام تب قابل تربیت ہوتا ہے جب کوئی اصول اسے بغیر کسی انسان کے اسکور کر سکے۔
کامیابی کی جانچ مشق کہنے سے پہلے لکھیں۔
بتائیں کہ خودکار جانچ کیا نہیں دیکھ سکتی۔

Task

تین ممکنہ کام: تاریخ کی تبدیلی، ہمدردی کا پیغام، شائستہ سلام۔

Weak approach تینوں کام پڑھتا ہے اور پوچھتا ہے کہ کون سا صارفین کی سب سے زیادہ مدد کرے گا۔ ہمدردی کا پیغام منتخب کرتا ہے اور اس کے لیے ایک مختصر منصوبہ لکھتا ہے۔ کوئی ایسا اصول نہیں لکھا گیا جو ان پیغامات میں سے کسی کو نمبر دے سکے، اس لیے بغیر قاری کے کچھ بھی مشق نہیں ہو سکتی۔

Stronger approach تاریخ کا کام چنتا ہے، موازنہ کا صحیح اصول لکھتا ہے، اور نوٹ کرتا ہے کہ اصول لہجے کے بارے میں کچھ نہیں کہتا۔

Why the stronger approach works اہم ہونا کام کو قابل تربیت نہیں بناتا۔ سستی اور بار بار چلنے والی جانچ بناتی ہے۔

Try a changed situation اب ایک تربیتی مرکز اپنے طلباء کے لیے روزانہ کی مشق مقرر کرنا چاہتا ہے، ماڈل کے لیے نہیں۔ کون سا اصول اب بھی لاگو ہوتا ہے؟

Make something yourself اپنے کام یا پڑھائی سے ایک کام چنیں۔ لکھیں ان پٹ، وہ صحیح اصول جو بغیر کسی انسان کے کامیابی طے کرے، اور ایک چیز جو وہ اصول نہیں دیکھ سکتا۔

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