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 '6ccd16d08b'
${ noResults }
ML-For-Beginners/8-Reinforcement/2-Gym/translations/assignment.az.md

3.1 KiB
Raw Blame History Escape

Dağ maşınını öyrədin

Openai Gym,elə hazırlanıb ki, bütün mühitlər eyni API ilə bizi təmin edir - məsələn, reset, step və render kimi eyni metodlar, fəaliyyət sahəsi və müşahidə sahəsinin eyni abstrakt formaları. Beləliklə minimal kod dəyişiklikləri ilə eyni gücləndirmə öyrənməsi alqoritmlərini fərqli mühitlərə uyğunlaşdırmaq mümkündür.

Dağ maşını mühiti

Dağ maşını mühiti bir dərədə ilişib qalmış bir avtomobilin olduğu mühitdir:

Məqsəd hər addımda aşağıdakı hərəkətlərdən birini icra edərək vadidən çıxmaq və bayrağı tutmaqdır:

Dəyər Mənası
0 Sola doğru sürəti artırın
1 Sürətlənməyin
2 Sağa doğru sürəti artırın

Bu problemin əsas hiyləsi avtomobilin mühərrikinin bir təkanda təpəni aşmaq üçün kifayət qədər güclü olmamasıdır. Buna görə də müvəffəq olmağın yeganə yolu təcil yaratmaq üçün geri və irəli sürməkdir.

Müşahidə məkanı yalnız iki dəyərdən ibarətdir:

Nömrə Müşahidə Min Max
0 Avtomobilin mövqeyi -1.2 0.6
1 Avtomobilin sürəti -0.07 0.07

Dağ avtomobili üçün mükafat sistemi olduqca çətindir:

  • Agentə dağın üstündəki bayrağa(mövqeyi = 0.5) çatdığı təqdirdə 0 mükafat verilir.
  • Agentin mövqeyi 0,5-dən az olduqda -1 ilə mükafatlandırılır.

Gedişat avtomobil mövqeyi 0,5-dən çox olduqda və ya icra uzunluğu 200-dən çox olarsa, sona çatır.

Təlimat

Dağ avtomobil problemini həll etmək üçün gücləndirmə öyrənməsi alqoritmimizi indiki problemə uyğunlaşdırın. Mövcud notebook.ipynb kodu ilə başlayın, cari mühiti yeni mühitlə əvəz edin, vəziyyətin diskretləşdirilməsi funksiyalarını dəyişdirin və minimal kod dəyişiklikləri ilə təlim keçmək üçün lazım olan alqoritmi qurmağa çalışın. Hiperparameterləri tənzimləməklə nəticəni optimallaşdırın.

Qeyd: Alqoritmin yaxınlaşmasını təmin etmək üçün hiperparametrləri sazlamaq lazım ola bilər.

Rubrika

Meyarlar Nümunəvi Adekvat İnkişaf Etdirilməli Olan
Q-Learning alqoritmi minimal kod dəyişiklikləri ilə CartPole nümunəsi uğurla uyğunlaşdırılıb və 200-dən az addımla bayrağın tutulması problemi həll edilib. Q-Öyrənməsi alqoritmi internetdən götürülüb, amma yaxşı sənədləşdirilib; və ya mövcud alqoritm qəbul edilmişdir, amma istənilən nəticələr əldə edilməmişdir. Tələbə heç bir alqoritmi uğurla uyğunlaşdıra bilməyib, amma həlli istiqamətində əhəmiyyətli addımlar atıb(vəziyyətin diskretləşməsini tətbiq edib, Q-Cədvəl data strukturunu qurub və s.)