Kurssisisältö
Johdatus Vahvistusoppimiseen
Johdatus Vahvistusoppimiseen
Markovin Päätösprosessi
Markovin päätösprosessi (MDP) on matemaattinen viitekehys, jota käytetään päätöksentekoon liittyvien ongelmien mallintamiseen, joissa agentti on vuorovaikutuksessa ympäristön kanssa ajan kuluessa.
Vahvistusoppimisen ongelmat esitetään usein MDP:nä, joka tarjoaa jäsennellyn tavan määritellä ongelma. MDP:t kuvaavat ympäristön käyttäen neljää keskeistä osaa: tilat, toiminnot, siirtymät ja palkkiot. Nämä osat toimivat yhdessä Markovin ominaisuuden mukaisesti, mikä varmistaa, että tuleva tila riippuu ainoastaan nykyisestä tilasta ja toiminnosta, ei aiemmista tiloista.
Neljä osaa
Tila
Tila on ympäristön esitys tietyllä ajanhetkellä. Kaikkien mahdollisten tilojen joukkoa kutsutaan tilajoukoksi .
Tila esitetään tyypillisesti joukolla parametreja, jotka kuvaavat ympäristön olennaiset ominaisuudet. Näihin parametreihin voi sisältyä esimerkiksi sijainti, nopeus, kulma jne.
Toiminto
Toiminto on päätös tai siirto, jonka agentti tekee vaikuttaakseen ympäristöön. Kaikkien mahdollisten toimintojen joukkoa kutsutaan toimintotilaksi .
Mahdollisten toimintojen joukko riippuu yleensä nykyisestä tilasta.
Siirtymä
Siirtymä kuvaa, miten ympäristön tila muuttuu agentin toiminnan seurauksena. Siirtymäfunktio määrittää todennäköisyyden siirtyä tilasta toiseen tietyn toiminnon perusteella.
Monissa tapauksissa ympäristöt voivat olla joko deterministisiä tai stokastisia, mikä tarkoittaa, että siirtymä voi olla ennustettavissa tai siihen voi liittyä satunnaisuutta.
Palkkio
Palkkio on numeerinen arvo, jonka agentti saa suoritettuaan toiminnon tietyssä tilassa. Funktiota, joka yhdistää siirtymät odotettuihin palkkioihin, kutsutaan palkkiofunktioksi .
Palkkiot ohjaavat agenttia kohti toivottua käyttäytymistä, ja ne voivat olla joko positiivisia tai negatiivisia. Palkkioiden suunnittelu on monimutkaista, sillä agentti saattaa pyrkiä hyödyntämään palkkioita.
Markovin ominaisuus
Markovin ominaisuus Markovin päätösprosessissa tarkoittaa, että seuraava tila ja palkkio riippuvat ainoastaan nykyisestä tilasta ja toiminnosta, eivät aiemmista tiedoista. Tämä takaa muistittoman rakenteen, mikä yksinkertaistaa oppimisprosessia.
Matemaattisesti tämä ominaisuus voidaan esittää seuraavalla kaavalla:
missä:
- on tila ajanhetkellä ;
- on toiminto ajanhetkellä ;
- on palkkio ajanhetkellä .
MDP:n muistiton luonne ei tarkoita, että aiemmat havainnot jätetään huomiotta. Nykyisen tilan tulee sisältää kaikki olennaiset historialliset tiedot.
Kiitos palautteestasi!