❤️ Підтримати
UK
EN English UK Українська PL Polski ES Español DE Deutsch FR Français PT Português TR Türkçe JA 日本語 KO 한국어 RU Русский

Навчання з підкріпленням (RL)

Навчання з підкріпленням (RL) — це парадигма машинного навчання, де агент навчається приймати рішення в середовищі, щоб максимізувати сигнал винагороди.

🌐 Терміни іншими мовами:
English Deutsch Español Français 日本語 한국어 Polski Português Русский Türkçe Українська

RL передбачає взаємодію агента з середовищем, вчинення дій та отримання зворотного зв'язку у вигляді винагород або штрафів. Мета агента — навчитися стратегії, яка є стратегією вибору дій, що максимізує сукупну винагороду з часом. Цей процес навчання часто моделюється як процес прийняття рішень Маркова (MDP), де дії агента впливають на стан середовища, а середовище надає винагороди на основі цих переходів між станами.

Алгоритми RL досліджують середовище шляхом проб і помилок, поступово покращуючи свою стратегію. Цей компроміс між дослідженням та експлуатацією є вирішальним, оскільки агент повинен збалансувати спроби нових дій (дослідження) з використанням знань, які він вже отримав (експлуатація). Різні алгоритми, такі як Q-learning, SARSA та policy gradients, використовуються для навчання агентів RL. Ці алгоритми оновлюють стратегію або функцію цінності агента на основі отриманих винагород, спрямовуючи його до оптимальної поведінки.

        graph LR
  Center["Навчання з підкріпленням (RL)"]:::main
  Pre_machine_learning["machine-learning"]:::pre --> Center
  click Pre_machine_learning "/terms/machine-learning"
  Rel_deep_learning["deep-learning"]:::related -.-> Center
  click Rel_deep_learning "/terms/deep-learning"
  Rel_game_theory["game-theory"]:::related -.-> Center
  click Rel_game_theory "/terms/game-theory"
  Rel_logistic_regression["logistic-regression"]:::related -.-> Center
  click Rel_logistic_regression "/terms/logistic-regression"
  classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
  classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
  classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
  classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
  linkStyle default stroke:#4b5563,stroke-width:2px;
🕸️ Open in Universe

🧠 Перевірка знань

1 / 3

🧒 Простими словами

🎮 Це як вчити комп'ютер грати в гру, не пояснюючи правил. Він просто тисне на кнопки: якщо рахунок зростає — він запам'ятовує вдалий хід, якщо він програє — вчиться так не робити. З часом він стає профі, просто намагаючись отримати якнайбільше 'очок'.

🤓 Expert Deep Dive

Математичною основою є Марковські процеси прийняття рішень (MDP). Сучасний прорив стався завдяки поєднанню RL з глибокими нейромережами (Deep RL). Особливо важливим для сучасних мовних моделей є метод RLHF (навчання на основі людського фідбеку), який дозволяє 'вирівнювати' ШІ з людськими цінностями та уподобаннями.

🔗 Пов'язані терміни

Попередні знання:

📚 Джерела

1. Playing Atari with Deep Reinforcement Learning
2. Reinforcement Learning: An Introduction (2nd Edition)
3. Mastering the game of Go with deep neural networks and tree search
4. AlphaFold 2: Highly accurate protein structure prediction with deep learning
5. Decision Transformers: Reinforcement Learning via Sequence Modeling
6. Training language models to follow instructions with human feedback
7. Meta-Reinforcement Learning
8. Causal Reinforcement Learning
9. Sim-to-Real Transfer of Robotic Control with Dynamics Randomization
10. Graph Neural Networks for Deep Reinforcement Learning
11. Explainable Reinforcement Learning: A Survey
12. Hierarchical Reinforcement Learning: A Survey
13. Reinforcement Learning from Human Feedback
14. Graph Neural Networks for Deep Reinforcement Learning
15. Meta-Reinforcement Learning
16. Offline Reinforcement Learning: Tutorial, Review, and Perspectives
17. Decision Transformer: Reinforcement Learning via Sequence Modeling
18. Highly accurate protein structure prediction with AlphaFold
19. Asynchronous Methods for Deep Reinforcement Learning
20. Meta-Reinforcement Learning
21. Curiosity-Driven Exploration by Self-supervised Prediction
22. Asynchronous Methods for Deep Reinforcement Learning
23. Deep reinforcement learning for robotic manipulation
24. Deep Reinforcement Learning from Human Preferences
25. Deep Reinforcement Learning for Recommendation Systems
26. Reinforcement Learning from Human Feedback
27. Graph Neural Networks for Reinforcement Learning
28. Decision Transformers: Reinforcement Learning via Sequence Modeling
29. Meta-Reinforcement Learning
30. AlphaFold 2
31. Reinforcement Learning from Human Feedback
32. An open science platform for reproducible research in artificial intelligence
33. Deep Reinforcement Learning: An Introduction