It-tagħlim bir-rinforz huwa fergħa tat-tagħlim awtomatiku li fiha aġent jitgħallem bi provi u żbalji. Jaġixxi f'ambjent, jirċievi premjijiet għal riżultati tajbin u penali għal dawk ħżiena, u b'dan il-mod jiżviluppa strateġija li timmassimizza l-premju totali tiegħu. Eżempji magħrufa jinkludu programmi li jiddominaw logħob tal-bord bħall-Go, il-kontroll ta' robots u l-irfinar ta' mudelli lingwistiċi abbażi ta' evalwazzjonijiet tal-bniedem.
Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.
Ibda d-demoQ-learning huwa metodu fundamentali tat-tagħlim bir-rinforz. Aġent jitgħallem bi provi u żbalji liema valur fit-tul (il-“valur Q”) għandha azzjoni partikolari f'sitwazzjoni partikolari, u maż-żmien jagħżel l-azzjonijiet l-aktar promettenti. Ma jeħtieġx mudell tal-ambjent tiegħu biex jagħmel dan. Flimkien man-netwerks newrali (deep Q-learning), sistema ta' DeepMind użat dan l-approċċ biex titgħallem tilgħab ħafna logħob tal-vidjo Atari mill-pikseli tal-iskrin biss.
L-RLHF huwa metodu ta' taħriġ li jagħmel il-mudelli lingwistiċi aktar siewja u aktar sikuri. In-nies jqabblu u jevalwaw diversi tweġibiet tal-mudell; dawn il-ġudizzji jintużaw biex jitħarreġ mudell tal-premjijiet, li mbagħad iħarreġ aktar lill-mudell lingwistiku stess permezz tat-tagħlim bir-rinforz. Dan jgħallmu, per eżempju, iwieġeb b'mod aktar ċar jew jirrifjuta talbiet problematiċi. L-RLHF isir għand il-fornitur tal-mudell qabel ma mudell jinħareġ – mhux ma' utenti individwali.
Fit-tagħlim superviżat, mudell jitgħallem minn eżempji li għalihom it-tweġiba korretta hija diġà magħrufa, bħal emails ittikkettjati “spam” jew “mhux spam”. Minn dawn jislet regoli biex jikklassifika każijiet ġodda li ma ratx qabel jew biex ibassar valuri. Kompiti tipiċi huma l-klassifikazzjoni u r-rigressjoni; il-biċċa l-kbira tal-isforz tmur fil-ħolqien ta' data ttikkettjata sew.
Fit-tagħlim mhux superviżat, mudell jirċievi data mingħajr tweġibiet korretti predefiniti u jfittex strutturi waħdu. Metodi tipiċi huma l-clustering, li jigruppa rekords simili, u t-tnaqqis tad-dimensjonijiet, li jikkondensa ħafna karatteristiċi f'ftit essenzjali. L-organizzazzjonijiet jużawh biex jiskopru segmenti ta' klijenti jew jidentifikaw tranżazzjonijiet mhux tas-soltu; il-gruppi misjuba jridu mbagħad jiġu interpretati minn esperti tad-dominju.
