Kaj je učenje s krepitvijo?
Sistem izbira dejanja in dobi povratno informacijo o uspehu.
Kaj je to?
Pri učenju s krepitvijo sistem preizkuša dejanja in za dobre izide dobi nagrado, za slabe pa kazen. Po mnogih poskusih se nauči strategije, ki prinaša največ nagrade. Tako so se računalniki naučili igrati go in tako se dodatno uglašujejo jezikovni modeli.
Primer iz vsakdanjega življenja
Robotski sesalnik, ki se z vsakim čiščenjem nauči hitreje obiti pohištvo, sledi podobnemu načelu: poskus, rezultat, popravek.
Zakaj je pomembno?
Metoda omogoča učenje zapletenih zaporedij dejanj, a je odvisna od tega, kako dobro je nagrada opisana.
Pogosta zmota
Da sistem dela tisto, kar smo mislili. Dela tisto, kar nagrada dejansko nagrajuje, in včasih najde bližnjice, ki jih nismo predvideli.
Podrobneje
Kaj je bistvo?
Agent preizkuša dejanja in se uči strategije, ki skozi čas prinese večjo nagrado.
Kje se uporablja?
Pri igrah, robotiki, vodenju sistemov in prilagajanju vedenja nekaterih UI modelov.
Je nagrada isto kot dobro?
Ne. Slabo določena nagrada lahko spodbuja napačne bližnjice.
Je to isto kot agent?
Ne. Agent je način organizacije sistema; učenje s krepitvijo pa ena od metod učenja.
Zapomnite si: Sistem lahko dobro optimizira napačno zastavljen cilj.
Zanesljivi viri
Zadnji pregled: 1. november 2026. To je pojasnjevalno gradivo, ne strokovni, pravni ali zdravstveni nasvet. Za spreminjajoče se predpise in podatke preverite uradno različico.