Обучение без использования моделей (обучение с подкреплением)

• Основы машинного обучения

  • Машинное обучение – это процесс обучения алгоритмов для решения задач, которые не могут быть решены с помощью традиционных методов. 
  • Обучение с подкреплением (RL) – это метод машинного обучения, который использует алгоритмы для изучения поведения в среде, где вознаграждение зависит от действий. 

• Безмодельные алгоритмы RL

  • Безмодельные алгоритмы RL не используют модели для оценки вероятности перехода и функции вознаграждения. 
  • Примеры безмодельных алгоритмов включают методы Монте-Карло, Sarsa и Q-learning. 
  • Оценка методом Монте-Карло является ключевым компонентом безмодельных алгоритмов и включает оценку политики и улучшение политики. 

• Преимущества безмодельных алгоритмов

  • Безмодельные алгоритмы могут достигать сверхчеловеческой производительности в сложных задачах, таких как игры Atari и StarCraft. 
  • Глубокое обучение с подкреплением, например AlphaGo, использует безмодельные алгоритмы для достижения впечатляющих результатов. 

• Примеры безмодельных алгоритмов

  • Некоторые безмодельные алгоритмы включают Deep Q-Network, Dueling DQN, Double DQN и другие. 
  • Глубокое обучение с подкреплением, такое как AlphaGo, использует безмодельные алгоритмы для достижения впечатляющих результатов.