Učenje podrškom grana je strojnog učenja u kojoj agent uči metodom pokušaja i pogrešaka. Djeluje unutar okoline, dobiva nagrade za dobre ishode i kazne za loše te na taj način razvija strategiju koja maksimizira njegovu ukupnu nagradu. Poznati primjeri uključuju programe koji svladavaju društvene igre poput goa, upravljanje robotima i fino podešavanje jezičnih modela na temelju ljudskih ocjena.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoQ-učenje temeljna je metoda učenja podrškom. Agent metodom pokušaja i pogrešaka uči kolika je dugoročna vrijednost („Q-vrijednost“) određene radnje u određenoj situaciji te s vremenom bira najperspektivnije radnje. Za to mu nije potreban model okoline. U kombinaciji s neuronskim mrežama (duboko Q-učenje) sustav tvrtke DeepMind tim je pristupom naučio igrati mnoge Atarijeve videoigre samo iz piksela na zaslonu.
RLHF je metoda treniranja koja jezične modele čini korisnijima i sigurnijima. Ljudi uspoređuju i ocjenjuju više odgovora modela; te se prosudbe koriste za treniranje modela nagrađivanja, koji zatim putem učenja podrškom dalje trenira sam jezični model. Tako se, primjerice, uči jasnije odgovarati ili odbijati problematične zahtjeve. RLHF se provodi kod pružatelja modela prije izlaska modela – ne kod pojedinačnih korisnika.
Kod nadziranog učenja model uči iz primjera za koje je točan odgovor već poznat, primjerice e-poruka označenih kao „neželjena pošta“ ili „nije neželjena pošta“. Iz njih izvodi pravila za klasifikaciju novih, nevidljivih slučajeva ili za predviđanje vrijednosti. Tipični zadaci su klasifikacija i regresija; najveći dio truda odlazi na izradu čisto označenih podataka.
Kod nenadziranog učenja model prima podatke bez unaprijed zadanih točnih odgovora i sam traži strukture. Tipične metode su klasteriranje, koje grupira slične zapise, i smanjenje dimenzionalnosti, koje mnogo značajki sažima u nekoliko bitnih. Organizacije ga koriste za otkrivanje segmenata klijenata ili uočavanje neobičnih transakcija; pronađene skupine zatim moraju protumačiti stručnjaci za to područje.
