msb-public
/
ML-For-Beginners
mirror of https://github.com/microsoft/ML-For-Beginners.git
1
0
Code Issues Projects Releases Wiki Activity
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Branches Tags
${ item.name }
Create tag ${ searchTerm }
Create branch ${ searchTerm }
from 'copilot/fix-comments-reviewed-code'
${ noResults }
ML-For-Beginners/translations/et/8-Reinforcement/1-QLearning/assignment.md

3.8 KiB
Raw Permalink Blame History

Realistlikum maailm

Meie olukorras suutis Peeter liikuda peaaegu väsimata või nälga tundmata. Realistlikumas maailmas peab ta aeg-ajalt istuma ja puhkama ning ka end toitma. Muudame oma maailma realistlikumaks, rakendades järgmisi reegleid:

  1. Liikudes ühest kohast teise kaotab Peeter energiat ja kogub väsimust.
  2. Peeter saab energiat juurde, süües õunu.
  3. Peeter saab väsimusest lahti, puhates puu all või murul (st liikudes laua asukohta, kus on puu või muru - roheline ala).
  4. Peeter peab leidma ja tapma hundi.
  5. Hundi tapmiseks peab Peeter omama teatud tasemel energiat ja väsimust, vastasel juhul kaotab ta lahingu.

Juhised

Kasuta algset notebook.ipynb märkmikku oma lahenduse lähtepunktina.

Muuda ülaltoodud tasustamisfunktsiooni vastavalt mängu reeglitele, käivita tugevdusõppe algoritm, et õppida parim strateegia mängu võitmiseks, ja võrdle juhusliku liikumise tulemusi oma algoritmiga mängude võitude ja kaotuste arvu osas.

Note: Uues maailmas on olek keerulisem ja lisaks inimese positsioonile hõlmab see ka väsimuse ja energiatasemeid. Võid valida oleku esitlemise tuplina (Board, energy, fatigue), defineerida oleku jaoks klassi (võid selle ka tuletada Board-ist) või isegi muuta algset Board klassi failis rlboard.py.

Oma lahenduses säilita juhusliku liikumise strateegia eest vastutav kood ja võrdle oma algoritmi tulemusi juhusliku liikumisega lõpus.

Note: Võid vajada hüperparameetrite kohandamist, et see töötaks, eriti epohhide arvu osas. Kuna mängu edu (hundi vastu võitlemine) on harv sündmus, võid oodata palju pikemat treeninguaega.

Hindamiskriteeriumid

Kriteerium Silmapaistev Piisav Vajab parandamist
Märkmik sisaldab uue maailma reeglite määratlust, Q-õppe algoritmi ja mõningaid tekstilisi selgitusi. Q-õpe suudab juhusliku liikumisega võrreldes tulemusi märkimisväärselt parandada. Märkmik on esitatud, Q-õpe on rakendatud ja parandab juhusliku liikumisega võrreldes tulemusi, kuid mitte märkimisväärselt; või märkmik on halvasti dokumenteeritud ja kood pole hästi struktureeritud On tehtud katseid maailma reeglite ümberdefineerimiseks, kuid Q-õppe algoritm ei tööta või tasustamisfunktsioon pole täielikult määratletud

Lahtiütlus:
See dokument on tõlgitud AI tõlketeenuse Co-op Translator abil. Kuigi püüame tagada täpsust, palume arvestada, et automaatsed tõlked võivad sisaldada vigu või ebatäpsusi. Algne dokument selle algses keeles tuleks pidada autoriteetseks allikaks. Olulise teabe puhul soovitame kasutada professionaalset inimtõlget. Me ei vastuta selle tõlke kasutamisest tulenevate arusaamatuste või valesti tõlgenduste eest.