یادگیری تقویتی در مقابل یادگیری نظارت شده

یادگیری تقویتی چیست؟

یک الگوی یادگیری ماشینی که در آن یک عامل، اقدامات بهینه را از طریق تعاملات محیطی یاد می‌گیرد و بر اساس تصمیمات خود پاداش یا جریمه دریافت می‌کند.

• یادگیری تقویتی، عامل‌ها را از طریق تعاملات مکرر آزمون و خطا با یک محیط، به جای مجموعه داده‌های ایستا، آموزش می‌دهد.
• سازوکار اصلی به یک سیگنال پاداش متکی است که به عامل می‌گوید اعمالش خوب بوده یا بد، بدون اینکه عمل صحیح را مشخص کند.
• یادگیری Q که توسط کریستوفر واتکینز در سال ۱۹۸۹ توسعه داده شد، همچنان یکی از الگوریتم‌های بنیادی در این زمینه است.
• یادگیری تقویتی عمیق به عملکرد فوق بشری در بازی‌های آتاری دست یافت و قهرمانان جهان را در بازی‌های Go و شطرنج شکست داد.
• از جمله کاربردهای قابل توجه در دنیای واقعی می‌توان به کنترل رباتیک، سیستم‌های رانندگی خودران و بهینه‌سازی خنک‌سازی مراکز داده در گوگل اشاره کرد.

یادگیری تحت نظارت چیست؟

یک رویکرد یادگیری ماشینی که در آن مدل‌ها الگوها را از داده‌های آموزشی برچسب‌گذاری شده یاد می‌گیرند و ورودی‌ها را به خروجی‌های صحیح شناخته شده نگاشت می‌کنند.

• یادگیری نظارت‌شده نیازمند مجموعه داده‌های برچسب‌گذاری‌شده است که در آن هر مثال ورودی با پاسخ صحیح یا مقدار هدف جفت می‌شود.
• الگوریتم‌های رایج شامل رگرسیون خطی، درخت‌های تصمیم‌گیری، ماشین‌های بردار پشتیبان و شبکه‌های عصبی عمیق هستند.
• این رویکرد امروزه بر کاربردهای عملی هوش مصنوعی تسلط دارد و اکثر سیستم‌های تشخیص تصویر، تشخیص هرزنامه و تشخیص پزشکی را پشتیبانی می‌کند.
• کیفیت داده‌های آموزشی مستقیماً عملکرد مدل را تعیین می‌کند، و برچسب‌گذاری داده‌ها را به یک گام حیاتی و اغلب پرهزینه تبدیل می‌کند.
• پس‌انتشار، که در دهه ۱۹۸۰ رواج یافت، انقلاب یادگیری عمیق مدرن را که عمدتاً بر پایه تکنیک‌های نظارت‌شده بنا شده بود، ممکن ساخت.

جدول مقایسه

مقایسه دقیق

مزایا و معایب