13.Megerősítéses tanulás

Question 1

Hogyan szól a megerősítéses tanulás definíciója?

Answer 1

Egy ügynök egy környezetben döntéseket hoz, és jutalom alapján tanulja meg, mi a legjobb stratégia (policy

Question 2

Írja le koncepcionális szinten a megerősítéses tanulás működését. Miként interaktál az ágens a környezetével?

Answer 2

Az ágens döntéseket hoz és ezekre vissza kap egy reward értéket a környezettől.

Question 3

Mit értünk Marköv döntési folyamat alatt és mik az alapvető alkotó elemei?

Answer 3

1. Állapottér
   2.Akciótér
   3.Átmeneti valószínűségek
   4.Jutalom fgv
   5.diszkont faktor

—Work Needed—-

Question 4

Mit értünk policy függvény alatt a megerősítéses tanuláshoz kapcsolódóan?

Question 5

Mit értünk value és quality függvény alatt a megerősítéses tanuláshoz kapcsolódóan?

Question 6

Hogyan tudjuk összegezni a lépések után járó jutalmakat a megerősítéses tanulás visszacsatolásához?

Question 7

Hogyan működik a gamma (γ) jutalmak összegzésekor?

Question 8

Mit jelent a felderítés és kiaknázás a megerősítéses tanuláshoz kapcsolódóan?

Question 9

Hogyan szabályozza az ε értéke a felderítés és kiaknázás közötti eloszlást?

Question 10

Írja le a Bellman egyenlet lényegét és formalizálja is.

Question 11

Hogyan használható a TD-tanulás a value és a quality függvények tanításához?