Reinforcement learning algorithms · id rlalgorithms
Metody uczenia wartości i polityki.
Methods for learning values and policies.
In one sentence
To metody poprawiania wyborów programu na podstawie ocen dotychczasowych działań.
These methods improve a program's choices using assessments of its previous actions.
Problem it solves
Program zbiera doświadczenia, ale potrzebuje sposobu przełożenia ich na lepsze decyzje w kolejnych próbach.
Software collects experience but needs a way to turn it into better decisions on subsequent trials.
What it does
Uczy ocen możliwych działań, bezpośrednio zmienia sposób ich wybierania albo łączy oba podejścia na podstawie rezultatów prób.
It learns action values, directly changes how actions are chosen or combines both approaches using trial outcomes.
Everyday example
Program sterujący postacią wykorzystuje wyniki rozegranych prób, żeby częściej wybierać ruchy prowadzące do ukończenia poziomu.
Software controlling a character uses previous trial outcomes to choose moves leading to level completion more often.
This concerns you if you…
masz środowisko prób i sposób oceny wyniku
chcesz porównać metody uczenia kolejnych decyzji
have a trial environment and a way to score outcomes
want to compare methods for learning sequential decisions
Examples
Q-learning · policy gradient · actor–critic
Subtopics
Bezpieczne RL i RL z ograniczeniami (Safe and constrained reinforcement learning): Learning policies that maximise reward while aiming to keep cost or risk within set limits during training or deployment, e.g. through a separate cap on expected cost instead of folding penalties into the reward. Guarantees usually hold in expectation, not for every run.
Q-learning i głębokie sieci Q (DQN) (Q-learning and deep Q-networks (DQN)): Off-policy learning of action values from the Bellman equation; in DQN a neural network replaces the Q-table. Methods in this family reuse data from past interactions, but training with function approximation needs stabilising mechanisms.