15.

Question 1

Skatinimasis mokymas

Answer 1

Mokymosi tipas, kai agentas mokosi veikti aplinkoje, kad gautų kuo didesnį atlygį.

Question 2

Agentas, aplinka, būsena, veiksmas, atlygis

Answer 2

Agentas veikia aplinkoje, kurioje yra tam tikroje būsenoje, atlieka veiksmus ir už juos gauna atlygį

Question 3

Strategija

Answer 3

Apibrėžia, kaip agentas elgiasi esant tam tikrai būsenai, tai funkcija kuri parenka veiksmus

Question 4

Markovo prielaida

Answer 4

Teigia, kad būsena visiškai apibūdina visą reikiamą informaciją apie praeitį, t.y. ateities prognozė priklauso tik nuo dabartinės būsenos

Question 5

Vertės funkcija

Answer 5

Įvertina tikėtiną bendrą atlygį, kurį agentas gali gauti nuo tam tikros būsenos ar veiksmo

Question 6

Strategijos įteracijų algoritmas

Answer 6

Iteratyviai tobulina strategija, atsisžvelgdamas į esamą vertės funkciją, kol randama optimali strategija

Question 7

Verčių iteracijų algoritmas

Answer 7

Iteratyviai atnaujina vertės funkciją pagal Bellmano lygtį, kol pasiekiama konvergacija

Question 8

Deep Q-Network neuroninis tinklas

Answer 8

Naudoja neuroninį tinklą, kad prognozuotų veiksmų vertes (Q reikšmes)

Question 9

Kovergacija

Answer 9

Mokymosi proceso momentas, kai modelio nuostolio funkcija stabilizuojasi ir beveik nebesikeičia