Введение в обучение усилению

Усиленное обучение является типом машинного обучения, и, следовательно, оно также является частью искусственного интеллекта, при применении которого к системам системы выполняют шаги и обучаются на основе результатов шагов, чтобы получить сложную цель, которая установлена ​​для системы.

Понимать Усиление обучения

Давайте попробуем разобраться в обучении с подкреплением с помощью двух простых случаев:

Дело 1

В семье есть ребенок, и она только начала ходить, и все очень этому рады. Однажды родители пытаются поставить цель, дайте ребенку дойти до дивана и посмотреть, сможет ли ребенок это сделать.

Результат случая 1: ребенок успешно достигает дивана, и, таким образом, все в семье очень счастливы видеть это. Выбранный путь теперь идет с положительным вознаграждением.

Очки: Награда + (+ n) → Положительная награда.

Источник: https://images.app.goo.gl/pGCXJ1N1bzLAer126

Дело № 2

Ребенок не смог добраться до кушетки, и ребенок упал. Это больно! Что может быть причиной? На пути к дивану могут быть некоторые препятствия, и ребенок упал на препятствия.

Результат случая 2: ребенок падает на некоторые препятствия, и она плачет! О, это было плохо, она поняла, чтобы не попасть в ловушку препятствий в следующий раз. Выбранный путь теперь идет с отрицательной наградой.

Очки: Награды + (-n) → Отрицательное вознаграждение.

Источник: https://images.app.goo.gl/FRfd8cUqrQRLe6sZ7

Это теперь мы видели случаи 1 и 2, обучение с подкреплением, в принципе, делает то же самое, за исключением того, что это не человек, а вместо этого выполняется в вычислительном отношении.

Пошаговое усиление

Давайте разберемся в обучении подкреплению, постепенно привлекая агента подкрепления. В этом примере нашим агентом по обучению подкреплению является Марио, который научится играть самостоятельно:

Источник: https://images.app.goo.gl/Kj44uvBzWzMw1QzE9

  • Текущее состояние игровой среды Марио - S_0. Потому что игра еще не началась и Марио на своем месте.
  • Затем игра запускается, и Марио движется, агент Марио, т.е. RL, предпринимает действия, скажем, A_0.
  • Сейчас состояние игровой среды стало S_1.
  • Кроме того, агенту RL, то есть Марио, теперь назначен некоторый положительный бонус, R_1, вероятно, потому, что Марио все еще жив и не было никакой опасности.

Теперь вышеприведенный цикл будет продолжаться до тех пор, пока Марио, наконец, не умрет или Марио не достигнет своего пункта назначения. Эта модель будет постоянно выводить действие, награду и состояние.

Максимизация Награды

Цель обучающего обучения - максимизировать вознаграждение, принимая во внимание некоторые другие факторы, такие как скидка за вознаграждение; мы вскоре объясним, что подразумевается под скидкой, с помощью иллюстрации.

Накопительная формула для дисконтированных вознаграждений:

Скидки

Позвольте нам понять это на примере:

  • На данном рисунке цель в том, чтобы мышь в игре съела столько же сыра, сколько съела кошка или не подверглась электрошоку.
  • Теперь мы можем предположить, что чем ближе мы к кошке или электрической ловушке, тем больше вероятность того, что мышь съест или шокирует.
  • Это означает, что даже если у нас есть полный сыр рядом с блоком удара током или рядом с кошкой, чем опаснее идти туда, тем лучше есть находящийся поблизости сыр, чтобы избежать какого-либо риска.
  • Поэтому, несмотря на то, что у нас есть один «блок1» сыра, который полон и находится далеко от кота и блока электрошока, а другой - «блок2», который также полон, но находится рядом с котом или блоком электрошока более поздний сырный блок, то есть «block2», будет более дисконтирован в наградах, чем предыдущий.

Источник: https://images.app.goo.gl/8QrH78FjmRVs5Wxk8

Источник: https://cdn-images-1.medium.com/max/800/1*l8wl4hZvZAiLU56hT9vLlg.png.webp

Типы Усиления обучения

Ниже приведены два вида обучения с подкреплением с их преимуществами и недостатками:

1. Положительный

Когда сила и частота поведения увеличиваются из-за возникновения определенного поведения, оно называется «Обучение позитивному подкреплению».

Преимущества: производительность максимальна, а изменения сохраняются в течение более длительного времени.

Недостатки: результаты могут быть уменьшены, если у нас слишком много подкрепления.

2. Отрицательный

Это усиление поведения, в основном из-за того, что отрицательный термин исчезает.

Преимущества: Поведение увеличивается.

Недостатки: только минимальное поведение модели может быть достигнуто с помощью обучения с отрицательным подкреплением.

Где следует использовать обучение по усилению?

Вещи, которые могут быть сделаны с Укреплением Изучения / Примерами. Следующее - области, где обучение Подкреплению используется в эти дни:

  1. Здравоохранение
  2. образование
  3. Игры
  4. Компьютерное зрение
  5. Управление бизнесом
  6. робототехника
  7. финансов
  8. НЛП (обработка естественного языка)
  9. Транспорт
  10. энергии

Карьера в обучении укреплению

Действительно, есть отчет с места работы, поскольку RL - это ветвь машинного обучения. Согласно отчету, машинное обучение - лучшая работа 2019 года. Ниже приведен снимок отчета. В соответствии с текущими тенденциями инженеры машинного обучения получают колоссальную среднюю зарплату в 146 085 долл. США и темпы роста в 344 процента.

Источник: https://i0.wp.com/www.artificialintelligence-news.com/wp-content/uploads/2019/03/indeed-top-jobs-2019-best.jpg.webp?w=654&ssl=1.

Навыки для Укрепления Изучения

Ниже приведены навыки, необходимые для обучения подкреплению:

1. Основные навыки

  • Вероятность
  • Статистика
  • Моделирование данных

2. Навыки программирования

  • Основы программирования и информатики
  • Разработка программного обеспечения
  • Умеет применять библиотеки и алгоритмы машинного обучения.

3. Языки программирования машинного обучения

  • питон
  • р
  • Хотя есть и другие языки, где могут быть разработаны модели машинного обучения, такие как Java, C / C ++, но Python и R являются наиболее популярными используемыми языками.

Вывод

В этой статье мы начали с краткого введения об обучении с подкреплением, а затем глубоко погрузились в работу с RL и различные факторы, которые влияют на работу моделей RL. Затем мы привели несколько реальных примеров, чтобы еще лучше понять эту тему. К концу этой статьи, у вас должно быть хорошее понимание работы обучения подкреплению.

Рекомендуемые статьи

Это руководство к тому, что такое обучение усилению? Здесь мы обсудим функции и различные факторы, участвующие в разработке моделей обучения подкреплению, с примерами. Вы также можете просмотреть другие наши статьи, чтобы узнать больше -

  1. Типы алгоритмов машинного обучения
  2. Введение в искусственный интеллект
  3. Инструменты искусственного интеллекта
  4. IoT Платформа
  5. Топ 6 языков программирования машинного обучения

Категория:

Большое количество данных