Gluais

Foghlaim threisithe (RL)

Cad is Foghlaim threisithe (RL) ann?

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.

Topaicí

modh foghlama
luach saothair
gníomhairí

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

Q-learning

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.

foghlaim treisithe
algartam
+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

Foghlaim mhaoirsithe

Le foghlaim mhaoirsithe, foghlaimíonn múnla ó shamplaí a bhfuil an freagra ceart ar eolas cheana féin acu, ar nós ríomhphoist atá lipéadaithe “turscar” nó “ní turscar”. Astu seo díorthaíonn sé rialacha chun cásanna nua nach bhfacthas a aicmiú nó chun luachanna a thuar. Is tascanna tipiciúla iad aicmiú agus aischéimniú; téann an chuid is mó den iarracht ar shonraí lipéadaithe go glan a chruthú.

Foghlaim mheaisín
Training
+1

Foghlaim neamhmhaoirsithe

Le foghlaim neamhmhaoirsithe, faigheann múnla sonraí gan freagraí ceart réamhshainithe agus cuardaíonn sé struchtúir leis féin. Is modhanna tipiciúla iad braisliú, a ghrúpálann taifid chosúla, agus laghdú toise, a chomhdhlúthaíonn go leor gnéithe ina gcúpla gné riachtanach. Úsáideann eagraíochtaí é chun deighiltí custaiméirí a fhionnadh nó idirbhearta neamhghnácha a bhrath; ní mór do shaineolaithe fearainn na grúpaí a aimsítear a léirmhíniú ansin.

Foghlaim mheaisín
Clustering
+1