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

ការណែនាំអំពីការរៀនបង្រៀនវិញ

ការរៀនបង្រៀនវិញ (Reinforcement learning, RL) ត្រូវបានគេឃើញថា ជាម៉ូដែលមួយមូលដ្ឋាននៃការសិក្សា機械មួយចំនួន ហើយវាស្ថិតនៅជាប់ជាមួយការរៀនគ្រប់គ្រង (supervised learning) និងការរៀនអតិផរណា (unsupervised learning)។ RL គឺផ្តោតលើការសម្រេចចិត្ត៖ ផ្តល់នូវការសម្រេចចិត្តត្រឹមត្រូវ ឬយ៉ាងហោចណាស់ រៀនពីការសម្រេចចិត្តទាំងនោះ។

ស្រមៃថាអ្នកមានបរិយាកាសសម្រួលមួយ ដូចជា​ទីផ្សារហ៊ុន។ តើតើមានអ្វីកើតឡើងបើអ្នកកំណត់ច្បាប់ណាមួយ? តើវាមានផលវិបាកវិជ្ជមាន ឬអវិជ្ជមាន? ប្រសិនបើមានអ្វីមិនល្អកើតឡើង អ្នកត្រូវប្រើប្រាស់ ការចាត់វិជ្ជមានអវិជ្ជមាន នោះ រៀនពីវា និងផ្លាស់ប្តូរតាមស្ថានភាព។ ប្រសិនបើវាមានលទ្ធផលវិជ្ជមាន អ្នកត្រូវតែសាងសង់លើ ការចាត់វិជ្ជមានវិជ្ជមាន នោះ។

ពីតែរ និងមិត្តភក្តិរបស់គាត់ត្រូវរត់រួចពីខ្យងឃ្លាន! រូបភាពដោយ Jen Looper

ប្រធានបទតំបន់៖ ពីតែរ និងខ្យង (រុស្ស៊ី)

Peter and the Wolf គឺជាការប្រលោមលោកតន្ត្រីដែលបានសរសេរដោយអ្នកនិពន្ធតន្ត្រីរុស្ស៊ី Sergei Prokofiev។ វាជា​រឿងដែលពាក់ព័ន្ធនឹងពីតែរ​ចម្លាក់ម្នាក់ ដែលវាយតំ់ដង់ចេញពីផ្ទះដើម្បីចុចខ្យងនៅក្នុងព្រៃចំការ។ នៅក្នុងផ្នែកនេះ យើងនឹងបង្រៀន​អាល់ហ្គោរីធម៌​សិក្សា機械 ដែលនឹងជួយពីតែរ៖

• ស្វែងរក ទីតាំងជុំវិញនិងបង្កើតផែនទីផ្លូវវាលល្អបំផុត
• រៀន របៀបប្រើស្គេតប៊ត់ និងតម្រូវតុល្យភាពលើវា ដើម្បីអាចធ្វើចលនាបានរហ័សជាងមុន។

🎥 ចុចរូបភាពខាងលើដើម្បីស្តាប់ពី Peter and the Wolf ដោយ Prokofiev

ការរៀនបង្រៀនវិញ

នៅក្នុងផ្នែកមុនៗ អ្នកបានឃើញឧទាហរណ៍ពីបញ្ហាសិក្សា機械ពីរប្រភេទ៖

• គ្រប់គ្រង (Supervised) ដែលយើងមានឌាតាសែតដែលផ្ដល់ដំណោះស្រាយសំណុំដែលយើងចង់​ដោះស្រាយ។ ការ​ចែងចម្រាស់​ប្រភេទ និង ការ​ប៉ាន់ប្រមាណ គឺជាការងារ​សិក្សាគ្រប់គ្រង។
• អតិផរណា (Unsupervised) ដែលយើងមិនមានទិន្នន័យបង្ហាញមុខទេ។ ឧទាហរណ៍ដ៏សំខាន់របស់ការរៀនអតិផរណាគឺ ការច្នៃ។

នៅក្នុងផ្នែកនេះ យើងនឹងណែនាំអ្នកអំពីបញ្ហារបៀបសិក្សា​ថ្មីមួយ ដែលមិនត្រូវការទិន្នន័យបង្ហាញមុខ។ មានបញ្ហាច្រើនប្រភេទដូចជា៖

• ការរៀនបង្រៀនបែកកន្លះ (Semi-supervised learning) ដែលយើងមានទិន្នន័យមិនបានបង្ហាញមុខច្រើន ដែលអាចប្រើសម្រាប់បណ្តុះម៉ូដែលជាមុន។
• ការរៀនបង្រៀនវិញ (Reinforcement learning) ដែលភ្នាក់ងារសិក្សារបៀបធ្វើឱ្យបានល្អតាមរយៈការធ្វើតេស្តនៅក្នុងបរិយាកាសសម្រួលមួយ។

ឧទាហរណ៍ - លេងហ្គេមកុំព្យូទ័រ

ស giảថាអ្នកចង់បង្រៀនកុំព្យូទ័រឱ្យលេងហ្គេមមួយ ដូចជា ឡូកហ្គេមខ្មែរ, ឬ Super Mario។ ក្នុងការឲ្យកុំព្យូទ័រលេងហ្គេមមួយ អ្នកត្រូវអោយវាព្យាករណ៍ថាដំណកដើម្បីធ្វើនៅក្នុងស្ថានភាពហ្គេមមួយម្ដងៗ។ ខណៈពេលវាព្យាយាមទៅដូចជាបញ្ហាចែងចម្រាស់ ប្រសិនបើយើងមិនមានឌាតាសែតជាមួយស្ថានភាព និងសកម្មភាពផ្តល់ទេ។ ខណៈពេលយើង​ទំនងមានទិន្នន័យពីការប្រកួតហ្គេមឡាចថ្មីឬក៏វីដេអួបញ្ញើ Super Mario ក៏ប៉ុន្តែ ទិន្នន័យនោះខណៈពេលមិនគ្របដណ្តប់បានគ្រប់ស្ថានភាព។

ផ្ទុយទៅវិញក្នុងករណីនេះ ការរៀនបង្រៀនវិញ (RL) អាស្រ័យលើគំនិតថា ធ្វើឱ្យកុំព្យូទ័រលេង ជាញឹកញាប់ និងមើលលទ្ធផល។ ដូច្នេះ ដើម្បីអនុវត្តការរៀនបង្រៀនវិញ យើងត្រូវការចាំបាច់ពីររបស់៖

• បរិយាកាសមួយ និង ម៉ូដែលសម្រួលមួយ ដែលអនុញ្ញាតឱ្យយើងលេងហ្គេមបានជាច្រើនដង។ ម៉ូដែលនេះនឹងកំណត់ច្បាប់ហ្គេមទាំងអស់ ព្រមទាំងស្ថានភាព និងសកម្មភាពដែលអាចកើតមាន។

• មុខងារប្រាក់រង្វាន់, ដែលនឹងប្រាប់យើងថាយើងបានធ្វើបានល្អប៉ុនណាក្នុងមួយចលនា ឬមួយហ្គេម។

ភាពខុសគ្នាចម្បងរវាងប្រភេទសិក្សា機械ផ្សេងទៀត និង RL គឺថា នៅក្នុង RL យើងមិនស្គាល់ទេថាយើងឈ្នះ ឬ ខាតរហូតដល់ចប់ហ្គេម។ ដូចនេះ យើងមិនអាចពិចារណាថាចលនាមួយឯងមានលក្ខណៈល្អ ឬ មិនល្អទេ - យើងទទួលបានរង្វាន់នៅចុងហ្គេមតែប៉ុណ្ណោះ។ គោលបំណងរបស់យើងគឺបង្កើតអាល់ហ្គោរីធម៌ដែលអាចបណ្តុះម៉ូដែលជ្រាបនៅក្នុងលក្ខខណ្ឌមិនប្រាកដ។ យើងនឹងរៀនអំពី​អាល់ហ្គោរីធម៌ RL មួយហៅថា Q-learning។

មេរៀន

1. ការណែនាំអំពីការរៀនបង្រៀនវិញ និង Q-Learning
2. ការប្រើប្រាស់បរិយាកាសម៉ូដែលសម្រួល Gym

ការ​រិទិ្ធ

"Introduction to Reinforcement Learning" ត្រូវបានសរសេរដោយ ♥️ ពី Dmitry Soshnikov

---

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈពេលយើងខំប្រឹងប្រែងដើម្បីបានភាពត្រឹមត្រូវ សូមជ្រាបថាការបកប្រែដោយស្វ័យប្រវត្តិនេះអាចមានកំហុស ឬមិនត្រឹមត្រូវបាន។ ឯកសារដើមក្នុងភាសាតំណើររបស់ខ្លួនគួរត្រូវបានទទួលស្គាល់ថាជាឧទាហរណ៍ដ៏មានអំណាច។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការ​បកប្រែ​ដោយ​អ្នកជំនាញ​មនុស្ស​ត្រូវបានណែនាំ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។