|
|
# రీన్ఫోర్స్మెంట్ లెర్నింగ్ పరిచయం
|
|
|
|
|
|
రీన్ఫోర్స్మెంట్ లెర్నింగ్, RL, పర్యవేక్షిత లెర్నింగ్ మరియు పర్యవేక్షణ లేని లెర్నింగ్ తరువాత ఒక ప్రాథమిక మెషీన్ లెర్నింగ్ పద్ధతిగా భావించబడుతుంది. RL అన్నది నిర్ణయాల గురించి: సరైన నిర్ణయాలను తీసుకోవడం లేదా కనీసం వాటి నుండి నేర్చుకోవడం.
|
|
|
|
|
|
మీకు స్టాక్ మార్కెట్ వంటి అనుకరణాత్మక వాతావరణం ఉందని ఊహించుకోండి. మీరు ఒక నిర్దిష్ట నియంత్రణను విధిస్తే ఏమవుతుంది? అది సానుకూల లేదా ప్రతికూల ప్రభావం కలిగిస్తుందా? ఏదైనా ప్రతికూలం జరిగితే, మీరు ఆ _ప్రతికూల రీన్ఫోర్స్మెంట్_ తీసుకుని, దానినుండి నేర్చుకుని, మార్గాన్ని మార్చుకోవాలి. అది సానుకూల ఫలితం అయితే, మీరు ఆ _సానుకూల రీన్ఫోర్స్మెంట్_ పై ఆధారపడి నిర్మించుకోవాలి.
|
|
|
|
|
|
|
|
|
|
|
|
> పీటర్ మరియు అతని స్నేహితులు ఆకలితో ఉన్న నక్క నుండి తప్పించుకోవాలి! చిత్రం [Jen Looper](https://twitter.com/jenlooper) ద్వారా
|
|
|
|
|
|
## ప్రాంతీయ విషయం: పీటర్ మరియు నక్క (రష్యా)
|
|
|
|
|
|
[పీటర్ మరియు నక్క](https://en.wikipedia.org/wiki/Peter_and_the_Wolf) అనేది రష్యన్ సంగీతకారుడు [సెర్గే ప్రోకోఫీవ్](https://en.wikipedia.org/wiki/Sergei_Prokofiev) రాసిన సంగీత కథ. ఇది యువ పయనికుడు పీటర్ గురించి, అతను ధైర్యంగా తన ఇంటి నుండి అడవి క్లియర్ చేయడానికి వెళ్లి నక్కను వెంబడిస్తాడు. ఈ విభాగంలో, మేము పీటర్కు సహాయపడే మెషీన్ లెర్నింగ్ అల్గోరిథమ్స్ను శిక్షణ ఇస్తాము:
|
|
|
|
|
|
- **చుట్టుపక్కల ప్రాంతాన్ని అన్వేషించండి** మరియు ఉత్తమ నావిగేషన్ మ్యాప్ను నిర్మించండి
|
|
|
- **స్కేట్బోర్డ్ను ఉపయోగించడం మరియు దానిపై సమతుల్యం సాధించడం నేర్చుకోండి**, తద్వారా వేగంగా చలించగలుగుతాడు.
|
|
|
|
|
|
[](https://www.youtube.com/watch?v=Fmi5zHg4QSM)
|
|
|
|
|
|
> 🎥 పై చిత్రాన్ని క్లిక్ చేసి ప్రోకోఫీవ్ రచించిన పీటర్ మరియు నక్కను వినండి
|
|
|
|
|
|
## రీన్ఫోర్స్మెంట్ లెర్నింగ్
|
|
|
|
|
|
మునుపటి విభాగాలలో, మీరు రెండు మెషీన్ లెర్నింగ్ సమస్యల ఉదాహరణలను చూశారు:
|
|
|
|
|
|
- **పర్యవేక్షిత**, ఇక్కడ మనకు సమస్యను పరిష్కరించడానికి నమూనా పరిష్కారాలను సూచించే డేటాసెట్లు ఉంటాయి. [వర్గీకరణ](../4-Classification/README.md) మరియు [రెగ్రెషన్](../2-Regression/README.md) పర్యవేక్షిత లెర్నింగ్ పనులు.
|
|
|
- **పర్యవేక్షణ లేని**, ఇందులో మనకు లేబుల్ చేయబడిన శిక్షణ డేటా ఉండదు. పర్యవేక్షణ లేని లెర్నింగ్ యొక్క ప్రధాన ఉదాహరణ [క్లస్టరింగ్](../5-Clustering/README.md).
|
|
|
|
|
|
ఈ విభాగంలో, లేబుల్ చేయబడిన శిక్షణ డేటా అవసరం లేని కొత్త రకమైన లెర్నింగ్ సమస్యను పరిచయం చేస్తాము. ఇలాంటి సమస్యలకి కొన్ని రకాలు ఉన్నాయి:
|
|
|
|
|
|
- **[సెమీ-పర్యవేక్షిత లెర్నింగ్](https://wikipedia.org/wiki/Semi-supervised_learning)**, ఇక్కడ మనకు చాలా unlabeled డేటా ఉంటుంది, దానిని మోడల్ను ప్రీ-ట్రెయిన్ చేయడానికి ఉపయోగించవచ్చు.
|
|
|
- **[రీన్ఫోర్స్మెంట్ లెర్నింగ్](https://wikipedia.org/wiki/Reinforcement_learning)**, ఇందులో ఏజెంట్ ఒక అనుకరణాత్మక వాతావరణంలో ప్రయోగాలు చేసి ఎలా ప్రవర్తించాలో నేర్చుకుంటాడు.
|
|
|
|
|
|
### ఉదాహరణ - కంప్యూటర్ గేమ్
|
|
|
|
|
|
మీరు కంప్యూటర్ను చెస్ లేదా [సూపర్ మారియో](https://wikipedia.org/wiki/Super_Mario) వంటి గేమ్ ఆడటానికి బోధించాలనుకుంటే. కంప్యూటర్ గేమ్ ఆడాలంటే, ప్రతి గేమ్ స్థితిలో ఏ చర్య తీసుకోవాలో అంచనా వేయాలి. ఇది వర్గీకరణ సమస్యగా అనిపించవచ్చు, కానీ కాదు - ఎందుకంటే మనకు స్థితులు మరియు వాటికి సంబంధించిన చర్యలతో కూడిన డేటాసెట్ లేదు. మనకు కొన్ని డేటా ఉండవచ్చు, ఉదాహరణకు ఉన్న చెస్ మ్యాచ్లు లేదా సూపర్ మారియో ఆడుతున్న ప్లేయర్ల రికార్డింగ్లు, కానీ ఆ డేటా పెద్ద సంఖ్యలో సాధ్యమైన స్థితులను కవర్ చేయకపోవచ్చు.
|
|
|
|
|
|
ఉన్న గేమ్ డేటాను వెతకడం బదులు, **రీన్ఫోర్స్మెంట్ లెర్నింగ్** (RL) అనేది *కంప్యూటర్ను గేమ్ ఆడించటం* మరియు ఫలితాన్ని గమనించడం అనే ఆలోచనపై ఆధారపడి ఉంటుంది. అందువల్ల, రీన్ఫోర్స్మెంట్ లెర్నింగ్ను వర్తింపజేయడానికి మనకు రెండు విషయాలు అవసరం:
|
|
|
|
|
|
- **ఒక వాతావరణం** మరియు **ఒక అనుకరణ యంత్రం** (సిమ్యులేటర్) ఇది మనకు గేమ్ను ఎన్నో సార్లు ఆడటానికి అనుమతిస్తుంది. ఈ సిమ్యులేటర్ అన్ని గేమ్ నియమాలు, సాధ్యమైన స్థితులు మరియు చర్యలను నిర్వచిస్తుంది.
|
|
|
|
|
|
- **ఒక రివార్డ్ ఫంక్షన్**, ఇది ప్రతి చర్య లేదా గేమ్ సమయంలో మనం ఎంత బాగా చేశామో చెపుతుంది.
|
|
|
|
|
|
ఇతర మెషీన్ లెర్నింగ్ రకాలతో RL మధ్య ప్రధాన తేడా ఏమిటంటే, RLలో మనం సాధారణంగా గేమ్ ముగిసే వరకు గెలిచామో ఓడామో తెలియదు. అందువల్ల, ఒక నిర్దిష్ట చర్య మంచిదా కాదా చెప్పలేము - గేమ్ చివరే రివార్డ్ వస్తుంది. మన లక్ష్యం అనిశ్చిత పరిస్థితులలో మోడల్ను శిక్షణ ఇస్తేలా అల్గోరిథమ్స్ రూపకల్పన చేయడం. మనం **Q-లెర్నింగ్** అనే ఒక RL అల్గోరిథమ్ గురించి నేర్చుకుంటాము.
|
|
|
|
|
|
## పాఠాలు
|
|
|
|
|
|
1. [రీన్ఫోర్స్మెంట్ లెర్నింగ్ మరియు Q-లెర్నింగ్ పరిచయం](1-QLearning/README.md)
|
|
|
2. [జిమ్ అనుకరణ వాతావరణం ఉపయోగించడం](2-Gym/README.md)
|
|
|
|
|
|
## క్రెడిట్స్
|
|
|
|
|
|
"Introduction to Reinforcement Learning" ను ♥️ తో [Dmitry Soshnikov](http://soshnikov.com) రాశారు
|
|
|
|
|
|
---
|
|
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
|
**అస్పష్టత**:
|
|
|
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |
