Reinforcement learning

Học tăng cường là một nhánh của học máy liên quan đến cách thực hiện các hành động của tác nhân và tìm hiểu xem những hành động đó đã ảnh hưởng như thế nào đến phần thưởng mà nó nhận được khi thực hiện hành động đó.

Có nhiều loại thuật toán học tăng cường khác nhau, bao gồm phép lặp giá trị, độ dốc chính sách và phương pháp Monte Carlo. Phổ biến nhất trong số này là phép lặp giá trị, sử dụng thuật toán tối ưu hóa để xác định hành động tốt nhất mà rô-bốt nên thực hiện với trạng thái hiện tại, môi trường hiện tại và bất kỳ thông tin nào khác mà rô-bốt có quyền truy cập (chẳng hạn như loại kết quả mà rô-bốt muốn).

Và học tăng cường sâu cũng là một kỹ thuật sử dụng mạng lưới thần kinh sâu để học hỏi kinh nghiệm. Khi bạn đang sử dụng phương pháp học tăng cường sâu, bạn có khả năng đào tạo các mô hình máy học của mình với sự trợ giúp của một huấn luyện viên con người, người cung cấp phản hồi về hiệu suất của mô hình.

Mục tiêu của kỹ thuật này là phát triển một thuật toán có thể học cách thực hiện một tác vụ mà không cần lập trình rõ ràng. Học tăng cường sâu hoạt động bằng cách tạo ra một mạng lưới thần kinh nhân tạo học cách đạt được kết quả thông qua thử và sai theo thời gian. Loại thuật toán này có một số lượng lớn các lớp và nút cho phép nó học hỏi kinh nghiệm cũng như từ các hệ thống hoặc tình huống tương tự khác.