Please enable JavaScript.

Coggle requires JavaScript to display documents.

HỌC TĂNG CƯỜNG - Coggle Diagram

- - - - Môi trường có thể là tĩnh hoặc động, có thể thay đổi theo thời gian hoặc theo hành động của tác nhân.
    - - Môi trường ảnh hưởng trực tiếp đến cách tác nhân học hỏi và phát triển chiến lược.
  - - - Một robot tự hành có thể là tác nhân, học cách điều hướng trong một không gian nhất định.
    - - Tác nhân cần phải có khả năng nhận diện trạng thái của môi trường và đưa ra quyết định dựa trên thông tin đó.
- - - - Khám phá liên quan đến việc thử nghiệm các hành động chưa được thực hiện để tìm hiểu thêm về môi trường.
    - - Khai thác là việc sử dụng các hành động đã biết để nhận phần thưởng cao nhất.
  - - - Chính sách có thể là xác định (deterministic) hoặc ngẫu nhiên (stochastic), tùy thuộc vào cách tác nhân chọn hành động.
    - - Tối ưu hóa chính sách là quá trình cải thiện chính sách để tăng cường phần thưởng mà tác nhân nhận được.
- - - - Một phần thưởng không chính xác có thể dẫn đến hành vi không mong muốn từ tác nhân.
  - - - Sử dụng các kỹ thuật như giảm thiểu biến động và cải thiện chính sách có thể giúp tăng cường tính ổn định trong quá trình học.
- - - - Tác nhân cập nhật giá trị Q cho mỗi hành động dựa trên phần thưởng nhận được và giá trị Q của trạng thái tiếp theo.
    - - Q-Learning được sử dụng trong nhiều lĩnh vực, từ trò chơi đến robot tự hành.
  - - - Mạng nơ-ron được sử dụng để ước lượng giá trị Q, giúp tác nhân học hỏi từ các trạng thái phức tạp.
    - - Deep Reinforcement Learning đã được áp dụng thành công trong các trò chơi như Go và video game.
- - - - Học tăng cường dựa trên nguyên tắc tối ưu hóa phần thưởng. Tác nhân cố gắng tối đa hóa tổng phần thưởng nhận được qua thời gian.
    - - Khác với học có giám sát, nơi có dữ liệu đầu vào và đầu ra rõ ràng, học tăng cường không có dữ liệu đầu ra cố định. Tác nhân tự khám phá và học hỏi từ kinh nghiệm.