ML-For-Beginners/translations/mo/8-Reinforcement

強化學習簡介

強化學習（Reinforcement Learning，RL）被視為與監督學習和非監督學習並列的基本機器學習範式之一。RL 的核心在於決策：做出正確的決策，或者至少從中學習。

想像一下你有一個模擬環境，例如股市。如果你施加某項規定，會發生什麼？它會產生正面還是負面的影響？如果發生負面影響，你需要接受這種_負面強化_，從中學習並改變方向。如果結果是正面的，你需要基於這種_正面強化_繼續努力。

彼得和他的朋友們需要逃離飢餓的狼！圖片來源：Jen Looper

區域主題：彼得與狼（俄羅斯）

彼得與狼是一部由俄羅斯作曲家謝爾蓋·普羅科菲耶夫創作的音樂童話。這是一個關於年輕的先鋒彼得的故事，他勇敢地走出家門，來到森林空地追捕狼。在本節中，我們將訓練機器學習算法來幫助彼得：

• 探索周圍地區並建立最佳導航地圖
• 學習如何使用滑板並保持平衡，以便更快地移動。

🎥 點擊上方圖片收聽普羅科菲耶夫的《彼得與狼》

強化學習

在之前的章節中，你已經看到兩個機器學習問題的例子：

• 監督學習，我們擁有建議問題解決方案的數據集。分類和回歸是監督學習任務。
• 非監督學習，我們沒有標記的訓練數據。非監督學習的主要例子是聚類。

在本節中，我們將介紹一種不需要標記訓練數據的新型學習問題。有幾種類型的此類問題：

• 半監督學習，我們擁有大量未標記的數據，可以用來預訓練模型。
• 強化學習，代理通過在某些模擬環境中進行實驗來學習如何行為。

示例 - 電腦遊戲

假設你想教電腦玩遊戲，例如象棋或超級瑪利歐。為了讓電腦玩遊戲，我們需要它在每個遊戲狀態下預測應該採取的行動。雖然這看起來像是一個分類問題，但事實並非如此——因為我們沒有包含狀態和相應行動的數據集。雖然我們可能擁有一些數據，例如現有的象棋比賽或玩家玩超級瑪利歐的錄像，但這些數據可能不足以涵蓋足夠多的可能狀態。

與其尋找現有的遊戲數據，強化學習（RL）的核心理念是讓電腦玩很多次並觀察結果。因此，要應用強化學習，我們需要兩樣東西：

• 一個環境和一個模擬器，允許我們多次玩遊戲。這個模擬器會定義所有的遊戲規則以及可能的狀態和行動。

• 一個獎勵函數，告訴我們每次移動或遊戲過程中的表現如何。

強化學習與其他類型的機器學習的主要區別在於，在 RL 中，我們通常不知道自己是否贏了或輸了，直到遊戲結束。因此，我們無法判斷某個單獨的行動是否是好的——我們只有在遊戲結束時才會收到獎勵。我們的目標是設計算法，使我們能夠在不確定的條件下訓練模型。我們將學習一種名為Q-learning的 RL 算法。

課程

1. 強化學習與 Q-Learning 簡介
2. 使用 gym 模擬環境

致謝

《強化學習簡介》由 Dmitry Soshnikov 用 ♥️ 編寫。

---

免責聲明：
本文件已使用 AI 翻譯服務 Co-op Translator 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵信息，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。