Reinforcement learning

یادگیری تقویتی شاخه ای از یادگیری ماشین است که به چگونگی انجام اقدامات یک عامل و چگونگی تأثیر آن اقدامات بر پاداش دریافتی از انجام آن عمل می پردازد.

انواع مختلفی از الگوریتم های یادگیری تقویتی وجود دارد، از جمله روش های تکرار ارزش، گرادیان خط مشی و روش های مونت کارلو. محبوب‌ترین آنها تکرار ارزش است که از یک الگوریتم بهینه‌سازی برای تعیین بهترین اقدامی که یک ربات باید با توجه به وضعیت فعلی، محیط فعلی و هر اطلاعات دیگری که به آن دسترسی دارد (مانند نوع نتیجه‌ای که می‌خواهد) انجام دهد، استفاده می‌کند.

و همچنین یادگیری تقویتی عمیق تکنیکی است که از شبکه های عصبی عمیق برای یادگیری از تجربه استفاده می کند. وقتی از یادگیری تقویتی عمیق استفاده می‌کنید، می‌توانید مدل‌های یادگیری ماشینی خود را با کمک مربی انسانی که بازخورد عملکرد مدل را ارائه می‌دهد، آموزش دهید.

هدف این تکنیک توسعه الگوریتمی است که می تواند نحوه انجام یک کار را بدون برنامه ریزی صریح بیاموزد. یادگیری تقویتی عمیق با ایجاد یک شبکه عصبی مصنوعی کار می کند که یاد می گیرد در طول زمان از طریق آزمون و خطا به نتیجه برسد. این نوع الگوریتم دارای تعداد زیادی لایه و گره است که به آن امکان می دهد از تجربه و همچنین از سایر سیستم ها یا موقعیت های مشابه یاد بگیرد.