Gluais

Q-learning

Cad is Q-learning ann?

Is bunmhodh foghlama treisithe é Q-learning. Foghlaimíonn gníomhaire trí thriail agus earráid cén luach fadtéarmach (an “luach Q”) atá ag gníomh ar leith i gcás ar leith, agus roghnaíonn sé de réir a chéile na gníomhartha is dóchasaí. Ní theastaíonn múnla dá thimpeallacht uaidh chun é seo a dhéanamh. I gcomhar le líonraí néaracha (Q-learning domhain), d’úsáid córas DeepMind an cur chuige seo chun foghlaim conas go leor físchluichí Atari a imirt ó phicteilíní scáileáin amháin.

Topaicí

foghlaim treisithe
algartam
luach saothair

Bain triail as KI.ordo

Gníomhairí, sreafaí oibre agus teimpléid in aon spás oibre amháin – taispeántas 24 uair an chloig saor in aisce.

Tosaigh an taispeántas

← Gach téarma

Téarmaí gaolmhara

Foghlaim threisithe (RL)

Is brainse den mheaisínfhoghlaim í foghlaim threisithe ina bhfoghlaimíonn gníomhaire trí thriail agus earráid. Gníomhaíonn sé laistigh de thimpeallacht, faigheann luach saothair as torthaí maithe agus pionóis as torthaí olca, agus ar an mbealach seo forbraíonn sé straitéis a uasmhéadaíonn a luach saothair iomlán. I measc na samplaí aitheanta tá cláir a ghnóthaíonn máistreacht ar chluichí boird ar nós Go, rialú róbónna agus mionchoigeartú múnlaí teanga bunaithe ar mheasúnuithe daonna.

modh foghlama
luach saothair
+1

Foghlaim threisithe ó aiseolas daonna (RLHF)

Modh oiliúna is ea RLHF a fhágann go bhfuil múnlaí teanga níos cabhrach agus níos sábháilte. Déanann daoine comparáid idir roinnt freagraí an mhúnla agus tugann siad rátáil dóibh; úsáidtear na breithiúnais seo chun múnla luach saothair a oiliúint, a oiliúnaíonn an múnla teanga féin tuilleadh ansin trí fhoghlaim threisithe. Múineann sé seo dó, mar shampla, freagairt níos soiléire nó iarratais fhadhbacha a dhiúltú. Tarlaíonn RLHF ag soláthraí an mhúnla sula scaoiltear múnla – ní le húsáideoirí aonair.

oiliúint
aiseolas daonna
+1

Modhanna Monte Carlo

Is teicnící ríomhaireachta iad modhanna Monte Carlo a úsáideann líon an-mhór samplaí randamacha chun torthaí a mheas nach furasta a ríomh go hanailíseach. Déantar córas a insamhladh na mílte uair le toimhdí a athraítear go randamach, agus déantar scaipeadh na dtorthaí a anailísiú. Úsáideann eagraíochtaí é seo le haghaidh anailíse riosca, sceidealú tionscadal nó luacháil punann infheistíochta. In IS, úsáidtear na modhanna i bhfoghlaim threisithe agus i gcuardach crainn do chluichí, i measc réimsí eile.

insamhladh
staidreamh
+1

Líonraí néaracha saorga (ANNanna)

Samhlacha ríomhaireachta iad líonraí néaracha saorga (ANNanna) comhdhéanta de go leor aonad nasctha (“néaróin”) socraithe i sraitheanna a phróiseálann ionchuir trí naisc ualaithe. Le linn oiliúna, coigeartaítear na meáchain céim ar chéim le samplaí, de ghnáth trí iariomadú. Is iad ANNanna bunús na domhainfhoghlama agus tá siad taobh thiar d'aitheantas íomhá, d'aitheantas cainte agus de mhórshamhlacha teanga. D'ainneoin a spreagadh bitheolaíoch, oibríonn siad i bhfad níos simplí ná inchinn an duine.

Domhainfhoghlaim
Bunghnéithe IS
+1