Qiymətləndirmə ilə öyrənmə

Qiymətləndirmə ilə öyrənmə və ya möhkəmləndirmə ilə öyrənmə — maşın öyrənməsinin agentin mühitlə qarşılıqlı əlaqə zamanı aldığı mükafat və cəza siqnallarına əsasən davranış strategiyası öyrəndiyi sahəsidir.^[1]^[2] Bu yanaşmada modelə düzgün cavablar əvvəlcədən verilməz; məqsəd uzunmüddətli mükafatı maksimum edən qərar qaydasını tapmaqdır.^[1]

Əsas anlayışlar

Qiymətləndirmə ilə öyrənmədə əsas anlayışlar agent, mühit, vəziyyət, hərəkət və mükafatdır.^[3] Agent mühitdə hərəkətlər edir, nəticələri müşahidə edir və aldığı mükafatlara əsasən gələcək qərarlarını yaxşılaşdırır.^[1]

Üsulları

Bu sahədə mühüm üsullara temporal fərq öyrənməsi və Q-öyrənmə daxildir.^[3]^[4] Müasir dövrdə dərin neyron şəbəkələri ilə birləşdirilmiş üsullar, xüsusən dərin qiymətləndirmə ilə öyrənmə, mürəkkəb mühitlərdə də uğurla tətbiq olunur.^[5]

Tətbiqləri

Qiymətləndirmə ilə öyrənmə oyunlarda, robototexnikada, resurs bölgüsündə və qərarvermə sistemlərində istifadə olunur.^[2]^[5]

Həmçinin bax

İstinadlar

1 2 3 Kaelbling, Leslie Pack; Littman, Michael L.; Moore, Andrew W. "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4. 1996: 237–285. doi:10.1613/jair.301.
1 2 Padhi, Ingo; Schiff, Yoram; Melcer, Dina; Houge, Thomas; Altman, Eitan. "Reinforcement learning algorithms: A brief survey". Expert Systems with Applications. 231. 2023: 120495. doi:10.1016/j.eswa.2023.120495.
1 2 Sutton, Richard S. "Learning to Predict by the Methods of Temporal Differences". Machine Learning. 3 (1). 1988: 9–44. doi:10.1007/BF00115009.
↑ Watkins, Christopher J. C. H.; Dayan, Peter. "Q-learning". Machine Learning. 8 (3–4). 1992: 279–292. doi:10.1007/BF00992698.
1 2 Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; Rusu, Andrei A.; Veness, Joel; Bellemare, Marc G.; Graves, Alex; Riedmiller, Martin; Fidjeland, Andreas K.; Ostrovski, Georg; Petersen, Stig; Beattie, Charles; Sadik, Amir; Antonoglou, Ioannis; King, Helen; Kumaran, Dharshan; Wierstra, Daan; Legg, Shane; Hassabis, Demis. "Human-level control through deep reinforcement learning". Nature. 518 (7540). 2015: 529–533. doi:10.1038/nature14236.

[Kaelbling1996-1] 1 2 3 Kaelbling, Leslie Pack; Littman, Michael L.; Moore, Andrew W. "Reinforcement Learning: A Survey". Journal of Artificial Intelligence Research. 4. 1996: 237–285. doi:10.1613/jair.301.

[Padhi2023-2] 1 2 Padhi, Ingo; Schiff, Yoram; Melcer, Dina; Houge, Thomas; Altman, Eitan. "Reinforcement learning algorithms: A brief survey". Expert Systems with Applications. 231. 2023: 120495. doi:10.1016/j.eswa.2023.120495.

[Sutton1988-3] 1 2 Sutton, Richard S. "Learning to Predict by the Methods of Temporal Differences". Machine Learning. 3 (1). 1988: 9–44. doi:10.1007/BF00115009.

[Watkins1992-4] Watkins, Christopher J. C. H.; Dayan, Peter. "Q-learning". Machine Learning. 8 (3–4). 1992: 279–292. doi:10.1007/BF00992698.

[Mnih2015-5] 1 2 Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; Rusu, Andrei A.; Veness, Joel; Bellemare, Marc G.; Graves, Alex; Riedmiller, Martin; Fidjeland, Andreas K.; Ostrovski, Georg; Petersen, Stig; Beattie, Charles; Sadik, Amir; Antonoglou, Ioannis; King, Helen; Kumaran, Dharshan; Wierstra, Daan; Legg, Shane; Hassabis, Demis. "Human-level control through deep reinforcement learning". Nature. 518 (7540). 2015: 529–533. doi:10.1038/nature14236.

[1]

[2]

[3]

[4]

[5]