Podstawy uczenia ze wzmocnieniem

Uczenie przez wzmacnianie z Gymnasium w Pythonie

Fouad Trad

Machine Learning Engineer

Uczenie ze wzmocnieniem

Agent uczy się metodą prób i błędów

Obraz pokazujący dwie ikony: jedną dla agenta i jedną dla środowiska.

Uczenie ze wzmocnieniem

Agent uczy się metodą prób i błędów

Obraz pokazujący, że obserwacje są przekazywane ze środowiska do agenta.

Uczenie ze wzmocnieniem

Agent uczy się metodą prób i błędów

Obraz pokazujący, że środowisko dostarcza agentowi obserwacje, a następnie agent wykonuje odpowiednie działania.

Uczenie ze wzmocnieniem

Agent uczy się metodą prób i błędów
Agent otrzymuje:
- Nagrody za dobre decyzje
- Kary za złe decyzje
Cel: maksymalizacja pozytywnych sygnałów w czasie

Obraz pokazujący, że środowisko dostarcza agentowi obserwacje, agent wykonuje działania i otrzymuje nagrody lub kary.

RL jako tresowanie zwierzęcia

Obraz przedstawiający starszego mężczyznę (środowisko) trenującego zwierzę domowe (agenta).

RL a inne typy ML

Obraz przedstawia tabelę z nagłówkiem „Uczenie nadzorowane", zawierającą informacje o typie danych (dane etykietowane), celu (przewidywanie wyników na podstawie danych wejściowych) oraz zastosowaniach (klasyfikacja i regresja).

RL a inne typy ML

Obraz przedstawia tabelę porównującą uczenie nadzorowane i nienadzorowane. Uczenie nadzorowane: dane etykietowane, cel – przewidywanie wyników, zastosowania – klasyfikacja i regresja. Uczenie nienadzorowane: dane bez etykiet, cel – odkrywanie wzorców i zależności, zastosowania – grupowanie i analiza asocjacji.