یادگیری تقویتی (RL) چیست؟ + کاربردها و مزایا

نحوه عملکرد (RL) Reinforcement learning

در این نوع یادگیری ماشینی عامل در تعامل با محیط و دریافت بازخورد از اعمال انجام شده در تلاش است تا بهترین استراتژی را برای دستیابی به بیشتر میزان پاداش دریافت نماید. یادگیری تقویتی حاوی یک سری اجزای مهم و اصلی می‌باشد که در اینجا به توضیح درباره آن‌ها می‌پردازیم.

1. عامل (Agent) که تعیین می‌کند هر عمل در چه زمانی باید انجام شود.
2. محیط (Environment) که عبارت است از جهانی که عامل در آن قرار داشته و به تعامل با آن می‌پردازد.
3. پاداش (Reward) بازخوردی است که فرد بعد از انجام هر کار از پیرامون خود دریافت می‌کند.
4. سیاست (Policy) مجموعه‌ای از استراتژی‌ها و قواعد که Agent در راستای انتخاب اعمال بر اساس وضعیت‌های مختلف استفاده می‌کند.
5. تابع ارزش (Value Function) عبارت است از میزان ارزش موجود نسبت به پاداش‌هایی که می‌توان از یک وضعیت خاص دریافت نمود.
6. مدل (Model) که موردی اختیاری است و یک شبیه سازی از محیطی است که Agent در راستای انجام پیش‌بینی‌ها از آن استفاده می‌کند.

الگوریتم‌های یادگیری تقویتی

در راستای یادگیری تقویتی از الگوریتم‌های زیادی می‌توان استفاده کرد که برای مثال به موارد زیر می‌پردازیم.

• Q-Learning: از جمله الگوریتم‌های معروف در یادگیری تقویتی است که در تلاش است تا تابع ارزش Q را پیوسته به‌روزرسانی نماید.
• SARSA: این الگوریتم نیز مشابه Q-Learning از عمل انتخابی در راستای به‌روزرسانی Q-Value استفاده می‌کند.
• Deep Q-Networks (DQN): ادغام  Q-Learning و شبکه‌های عصبی عمیق در راستای مدیریت فضاهای وضعیت و عمل بزرگ است.