Reinforcement learning

ریانفورسمنٹ لرننگ مشین لرننگ کی ایک شاخ ہے جو اس بات سے متعلق ہے کہ ایجنٹ کے اقدامات کیسے کیے جائیں اور یہ معلوم کیا جائے کہ ان اعمال نے اس عمل کو انجام دینے سے حاصل ہونے والے انعام کو کیسے متاثر کیا ہے۔

بہت سے مختلف قسم کے کمک سیکھنے کے الگورتھم ہیں، بشمول قدر کی تکرار، پالیسی گریڈینٹ، اور مونٹی کارلو کے طریقے۔ ان میں سے سب سے زیادہ مقبول قدر تکرار ہے، جو روبوٹ کو اس کی موجودہ حالت، موجودہ ماحول، اور کسی دوسری معلومات تک رسائی کے پیش نظر بہترین کارروائی کا تعین کرنے کے لیے ایک اصلاحی الگورتھم کا استعمال کرتا ہے (جیسے کہ وہ کس قسم کا نتیجہ چاہتا ہے)۔

اور ڈیپ انفورسمنٹ لرننگ ایک تکنیک ہے جو تجربے سے سیکھنے کے لیے گہرے نیورل نیٹ ورکس کا استعمال کرتی ہے۔ جب آپ ڈیپ انفورسمنٹ لرننگ استعمال کر رہے ہوتے ہیں، تو آپ کے پاس انسانی ٹرینر کی مدد سے اپنے مشین لرننگ ماڈلز کو تربیت دینے کی صلاحیت ہوتی ہے جو ماڈل کی کارکردگی کے بارے میں رائے فراہم کرتا ہے۔

اس تکنیک کا مقصد ایک الگورتھم تیار کرنا ہے جو واضح طور پر پروگرام کیے بغیر کسی کام کو انجام دینے کا طریقہ سیکھ سکے۔ گہری کمک سیکھنے کا کام ایک مصنوعی اعصابی نیٹ ورک بنا کر کام کرتا ہے جو وقت کے ساتھ ساتھ آزمائش اور غلطی کے ذریعے نتیجہ حاصل کرنا سیکھتا ہے۔ اس قسم کے الگورتھم میں بڑی تعداد میں پرتیں اور نوڈس ہوتے ہیں جو اسے تجربے کے ساتھ ساتھ دوسرے اسی طرح کے نظاموں یا حالات سے سیکھنے کی اجازت دیتے ہیں۔