Γλωσσάριο

Q-learning

Τι είναι Q-learning;

Το Q-learning είναι μια θεμελιώδης μέθοδος ενισχυτικής μάθησης. Ένας πράκτορας μαθαίνει με δοκιμή και σφάλμα ποια μακροπρόθεσμη αξία (η «τιμή Q») έχει μια συγκεκριμένη ενέργεια σε μια συγκεκριμένη κατάσταση και με τον καιρό επιλέγει τις πιο υποσχόμενες ενέργειες. Για αυτό δεν χρειάζεται μοντέλο του περιβάλλοντός του. Σε συνδυασμό με νευρωνικά δίκτυα (deep Q-learning), ένα σύστημα της DeepMind χρησιμοποίησε αυτή την προσέγγιση για να μάθει να παίζει πολλά βιντεοπαιχνίδια Atari μόνο από τα εικονοστοιχεία της οθόνης.

Θέματα

ενισχυτική μάθηση
αλγόριθμος
ανταμοιβή

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Ενισχυτική μάθηση (RL)

Η ενισχυτική μάθηση είναι κλάδος της μηχανικής μάθησης στον οποίο ένας πράκτορας μαθαίνει με δοκιμή και σφάλμα. Δρα μέσα σε ένα περιβάλλον, λαμβάνει ανταμοιβές για καλά αποτελέσματα και ποινές για κακά, και με αυτόν τον τρόπο αναπτύσσει μια στρατηγική που μεγιστοποιεί τη συνολική του ανταμοιβή. Γνωστά παραδείγματα είναι προγράμματα που κατακτούν επιτραπέζια παιχνίδια όπως το Go, ο έλεγχος ρομπότ και η τελειοποίηση γλωσσικών μοντέλων με βάση ανθρώπινες αξιολογήσεις.

μέθοδος μάθησης
ανταμοιβή
+1

Ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF)

Το RLHF είναι μια μέθοδος εκπαίδευσης που κάνει τα γλωσσικά μοντέλα πιο χρήσιμα και πιο ασφαλή. Άνθρωποι συγκρίνουν και βαθμολογούν περισσότερες απαντήσεις του μοντέλου· αυτές οι κρίσεις χρησιμοποιούνται για την εκπαίδευση ενός μοντέλου ανταμοιβής, το οποίο στη συνέχεια εκπαιδεύει περαιτέρω το ίδιο το γλωσσικό μοντέλο μέσω ενισχυτικής μάθησης. Έτσι διδάσκεται, για παράδειγμα, να απαντά πιο σαφώς ή να αρνείται προβληματικά αιτήματα. Το RLHF πραγματοποιείται στον πάροχο του μοντέλου πριν από την κυκλοφορία του – όχι με μεμονωμένους χρήστες.

εκπαίδευση
ανθρώπινη ανατροφοδότηση
+1

Μέθοδοι Monte Carlo

Οι μέθοδοι Monte Carlo είναι υπολογιστικές τεχνικές που χρησιμοποιούν πολύ μεγάλο αριθμό τυχαίων δειγμάτων για να προσεγγίσουν αποτελέσματα που είναι δύσκολο να υπολογιστούν αναλυτικά. Ένα σύστημα προσομοιώνεται χιλιάδες φορές με τυχαία μεταβαλλόμενες παραδοχές και αναλύεται η κατανομή των αποτελεσμάτων. Οι οργανισμοί τις χρησιμοποιούν για ανάλυση κινδύνου, χρονοπρογραμματισμό έργων ή αποτίμηση χαρτοφυλακίων. Στην ΤΝ οι μέθοδοι αυτές εφαρμόζονται, μεταξύ άλλων, στη ενισχυτική μάθηση και στην αναζήτηση σε δέντρα για παιχνίδια.

προσομοίωση
στατιστική
+1

Τεχνητά νευρωνικά δίκτυα (ANN)

Τα τεχνητά νευρωνικά δίκτυα (artificial neural networks, ANN) είναι υπολογιστικά μοντέλα που αποτελούνται από πολλές συνδεδεμένες μονάδες («νευρώνες») οργανωμένες σε στρώματα, οι οποίες επεξεργάζονται εισόδους μέσω σταθμισμένων συνδέσεων. Κατά την εκπαίδευση, τα βάρη προσαρμόζονται βήμα προς βήμα με τη βοήθεια παραδειγμάτων, συνήθως με οπισθοδιάδοση (backpropagation). Τα ANN αποτελούν το θεμέλιο της βαθιάς μάθησης και τροφοδοτούν την αναγνώριση εικόνας, την αναγνώριση ομιλίας και τα μεγάλα γλωσσικά μοντέλα. Παρά τη βιολογική τους έμπνευση, λειτουργούν πολύ απλούστερα από τον ανθρώπινο εγκέφαλο.

Βαθιά μάθηση
βασικές έννοιες ΤΝ
+1