L'apprentissage par renforcement est particulièrement utile dans les situations où nous voulons former des IA à acquérir certaines compétences que nous ne comprenons pas entièrement nous-mêmes. Contrairement à certaines des techniques que nous avons abordées jusqu'à présent, l'apprentissage par renforcement se concentre généralement uniquement sur la façon dont une IA effectue une tâche APRÈS l'avoir terminée. Et lorsque l'IA termine cette tâche, déterminer quand et comment récompenser une IA, appelé attribution de crédit, est l'une des parties les plus difficiles de l'apprentissage par renforcement. Donc aujourd'hui, nous allons explorer ces idées, introduire une multitude de nouveaux termes comme valeur, politique, agent, environnement, actions et états, et nous vous montrerons comment nous pouvons utiliser des stratégies comme l'exploration et l'exploitation pour entraîner John Green Bot à trouver des choses plus efficacement la prochaine fois.
Crash Course IA est produit en association avec PBS Digital Studios :
Merci aux patrons suivants pour leurs généreuses contributions mensuelles qui aident à garder Crash Course gratuit pour tout le monde pour toujours :
Eric Prestemon, Sam Buck, Mark Brouwer, Indika Siriwardena, Avi Yashchin, Timothy J Kwist, Brian Thomas Gossett, Haixiang N/A Liu, Jonathan Zbikowski, Siobhan Sabino, Zach Van Stanley, Jennifer Killen, Nathan Catchings, Brandon Westmoreland, dorsey, Kenneth F Penttinen, Trevin Beattie, Erika & Alexa Saur, Justin Zingsheim, Jessica Wode, Tom Trval, Jason Saslow, Nathan Taylor, Khaled El Shalakany, SR Foxley, Sam Ferguson, Yasenia Cruz, Eric Koslow, Caleb Weeks, Tim Curwick, David Noe, Shawn Arnold, William McGraw, Andrei Krishkevich, Rachel Bright, Jirat, Ian Dundore
--
Vous voulez trouver Crash Course ailleurs sur Internet ?
#CrashCourse #IntelligenceArtificielle #ApprentissageAutomatique