1 / 25

Meger ősítéses tanulás 2. el őadás

Meger ősítéses tanulás 2. el őadás. Szita István, Lőrincz András. Technikai dolgok. Email szityu@eotvoscollegium.hu Annai levlista http://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/

Download Presentation

Meger ősítéses tanulás 2. el őadás

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Megerősítéses tanulás2. előadás Szita István, Lőrincz András

  2. Technikai dolgok • Emailszityu@eotvoscollegium.hu • Annai levlistahttp://nipglab04.inf.elte.hu/cgi-bin/mailman/listinfo/annai/ • Olvasnivaló:Sutton, Barto: Reinforcement Learning: An Introductionhttp://www.cs.ualberta.ca/~sutton/book/ebook/the-book.html • Jegyzet • Vizsga

  3. Mi a megerősítéses tanulás? • mesterséges intelligenciakutatás egyik ága • interakcióból tanul • előzetes információ nélkül • próba-szerencse alapon • célorientált • maximális jutalom hosszú távra

  4. Példák • játékok: blackjack, sakk, dáma, tictactoe • egyensúlyozás • újszülött őzike • mindenféle robotok • sétáló • navigáló • helikoptervezérlő • robotfoci

  5. az RL nehéz… • a tanulóügynöknek nem mondják meg, hogy mi a helyes döntés • tanár helyett kritikus • próba-szerencse módszerrel kell megtalálni a helyes megoldást • időnként új cselekvéseket is ki kell próbálni • az így megszerzett tudást optimálisan felhasználni • dilemma: a járt út vagy a járatlan?

  6. az RL nehéz… • a helyes döntésért járó jutalom késhet • rövidtávú nyereség $hosszútávú nyereség • miért járt a jutalom? • bizonytalan környezet … de kezelhető

  7. A félév tervezett menete • az RL feladat megfogalmazása • matematikai modell • egyszerű megoldási módszerek • a legegyszerűbbektől indulunk… • elemzés (hatékonyság, konvergencia) • korlátok

  8. A félév tervezett menete • néhány fejlettebb módszer • általánosítás • neuronhálózatok • policy gradient • alkalmazások • backgammon • helikopterirányítás • ember-számítógép kölcsönhatás • nyitott kérdések

  9. Jöjjenek a részletek!

  10. Az RL feladat környezet akció állapot jutalom ügynök stratégia, modell

  11. Az RL feladat részei • környezet: fekete doboz • tanulóügynök • állapot: az ügynök megfigyelése a környezetről • jutalom: egyetlen szám (!!!) • stratégia: állapot ! akció leképezés • akció: ez hat a környezetre • kérdés: mi az a stratégia, ami a legtöbb összjutalmat adja

  12. Feltevések • szükség van rájuk, hogy meg lehessen támadni a feladatot • mindegyik gyengíthető – de nehezíti a feladatot • némelyikre még visszatérünk…

  13. Feltevések • a jutalom egyetlen számmal leírható • az idő diszkrét (t = 1, 2, 3, …) • az állapottér is diszkrét és véges • az állapot teljesen megfigyelhető • és még egy (Markov tulajdonság), de erről később • nem túl erősek a megkötések?

  14. Formalizáljuk a feladatot • idő: • állapot: • akció: • jutalom: • stratégia: • determinisztikus: • szochasztikus: • (s,a) annak a valószínűsége, hogy s-ben a-t lép

  15. Formalizáljuk a feladatot • interakció: • környezet modellje: átmeneti valószínűségek és jutalmak • cél: maximális várható jutalom:

  16. A Markov-feltevés • feltesszük, hogy a régmúlt nem számít: • a környezet dinamikája leírható az átmenetivalószínűség-mátrixszal:

  17. Mi van a végén? • epizodikus, fix idejű feladat • epizodikus, nem fix idejű feladat • folytonos feladat • gond: rt végtelen lehet! • megoldás: diszkontálás. rthelyett trt , <1 • garantáltan véges • diszkontálás kényelmes, epizodikus feladatra is használni fogjuk!

  18. Az RL feladat kezelhető modellje:a Markov döntési folyamat (MDP) • S: állapottér • A: akciótér • átmeneti valószínűségek • közvetlen jutalmak • s0: kiindulási állapot • : diszkontálási ráta

  19. Markov döntési folyamat megoldása • környezet lépked P és R szerint: • ügynök lépked  szerint: • optimális stratégia: olyan , amelyremaximális.

  20. Példák • bot egyensúlyozása • autó a völgyben • tic-tac-toe • dáma, backgammon • póker

  21. Optimális stratégia keresése • két fő megközelítési mód • direkt stratégiakeresési módszerek • egyszerűbbnek tűnik, de nem az • lokális minimum • félév végén lesz róla szó • értékelőfüggvény-alapú módszerek • történetileg korábbi • egyszerűbb • globális maximum!

  22. Az értékelőfüggvény • s állapot értéke: a várható összjutalom s-ből indulva

  23. A Bellman-egyenlet

  24. A Bellman-egyenlet • fixpontegyenlet • egyértelmű megoldás, mindig létezik

  25. Akcióértékelő függvény • várható összjutalom s, a után • Bellman-egyenlet:

More Related