Γλωσσάριο

Ενισχυτική μάθηση (RL)

Τι είναι 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.

Θέματα

μέθοδος μάθησης
ανταμοιβή
πράκτορες

Δοκιμάστε το KI.ordo

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

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

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.

ενισχυτική μάθηση
αλγόριθμος
+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

Εποπτευόμενη μάθηση

Στην εποπτευόμενη μάθηση, ένα μοντέλο μαθαίνει από παραδείγματα για τα οποία η σωστή απάντηση είναι ήδη γνωστή, όπως email με ετικέτα «ανεπιθύμητο» ή «όχι ανεπιθύμητο». Από αυτά εξάγει κανόνες για να ταξινομεί νέες, άγνωστες περιπτώσεις ή να προβλέπει τιμές. Τυπικές εργασίες είναι η ταξινόμηση και η παλινδρόμηση· το μεγαλύτερο μέρος της προσπάθειας αφορά τη δημιουργία σωστά επισημασμένων δεδομένων.

Μηχανική μάθηση
Training
+1

Μη εποπτευόμενη μάθηση

Στη μη εποπτευόμενη μάθηση, ένα μοντέλο λαμβάνει δεδομένα χωρίς προκαθορισμένες σωστές απαντήσεις και αναζητά μόνο του δομές. Τυπικές μέθοδοι είναι η ομαδοποίηση (clustering), που ομαδοποιεί παρόμοιες εγγραφές, και η μείωση διαστατικότητας, που συμπυκνώνει πολλά χαρακτηριστικά σε λίγα ουσιώδη. Οι οργανισμοί τη χρησιμοποιούν για να ανακαλύπτουν τμήματα πελατών ή να εντοπίζουν ασυνήθιστες συναλλαγές· οι ομάδες που βρέθηκαν πρέπει στη συνέχεια να ερμηνευτούν από ειδικούς του τομέα.

Μηχανική μάθηση
Clustering
+1