Maze Q-Table

Door middel van versterkend leren kan een agent met vallen en opstaan ​​leren in een omgeving. Stel je een doolhof voor. Met behulp van een Q-tabel verkent de agent het doolhof (staat) en onderneemt verschillende acties (zoals omhoog, omlaag, naar links of naar rechts bewegen). De Q-tabel houdt de beloningen bij (positief voor goede keuzes, negatief voor slechte beslissingen) die worden ontvangen voor elke actie in elke staat. Na verloop van tijd werkt de agent de Q-tabel bij om prioriteit te geven aan acties die tot de hoogste beloning leiden en leert hij uiteindelijk het beste pad door het doolhof.

Leren door te doen

In deze app begeleid je een agent door een doolhof vol stenen. De agent zal een techniek genaamd Q-learning gebruiken om door het doolhof te navigeren en het doel te bereiken. Door het verkennings- en leerproces van de agent te observeren, krijgt u inzicht in de concepten van versterkend leren.

*Verstelbare moeilijkheidsgraad

Wilt u het de agent gemakkelijker of moeilijker maken? Je kunt de moeilijkheidsgraad van het doolhof bepalen door twee instellingen aan te passen:

Grootte van obstakelgrootte: Kies de grootte van de stenen waar de agent omheen moet navigeren. Grotere stenen creëren een opener doolhof, terwijl kleinere stenen zorgen voor een nauwere druk.

Aantal afleveringen: deze instelling bepaalt hoe vaak de agent probeert het doolhof te leren kennen. Met meer afleveringen heeft de agent meer mogelijkheden om zijn besluitvormingsstrategie te verkennen en te verfijnen.

Neem de controle en houd de voortgang bij

De app biedt twee knoppen om de simulatie te besturen:

Doolhof genereren: Deze knop creëert een nieuw doolhof met de gekozen steengrootte.

Begin met leren: zodra u tevreden bent met de lay-out van het doolhof, klikt u op deze knop om het leerproces van de agent te starten.

Visualiseer de leervoortgang

Naast het observeren van de agent die door het doolhof navigeert, kun je ook zijn leervoortgang volgen met de meegeleverde Learning Rate Graph. In deze grafiek worden de beloningen van de agent (positieve bekrachtiging) uitgezet tegen het aantal afleveringen. Door deze grafiek te analyseren, kunt u zien hoe het leertempo van de agent de besluitvorming beïnvloedt en hoe deze in de loop van de tijd verbetert.

Maak je klaar om uit de eerste hand getuige te zijn van de kracht van versterkend leren! Terwijl de agent het doolhof verkent, zul je zien hoe hij leert optimale keuzes te maken en de uitdaging te overwinnen. De leersnelheidgrafiek zal uw begrip verder vergroten door de voortgang van de agent tijdens zijn trainingstraject te visualiseren.