Renforcement de l'apprentissage : Q-Learning

Dans cours

Description

Cette séance de cours introduit le concept de renforcement de l'apprentissage, en mettant l'accent sur l'apprentissage Q comme méthode sans modèle pour les agents à apprendre par essai et erreur. Il couvre l'échange exploration-exploitation, les valeurs d'action et les politiques. La séance de cours traite également des propriétés de convergence de Q-Learning, de l'importance de l'IA compatible avec l'être humain et de l'impact des algorithmes sur la société.

Enseignant

Source officielle

https://mediaspace.epfl.ch/media/0_38vn8zck

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (69)

Concepts associés (90)

Apprentissage par renforcement

En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.

Q-learning

vignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.

Apprentissage par renforcement profond

L'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.

Science

thumb|Allégorie de la Science par Jules Blanchard, située sur le parvis de l'hôtel de ville de Paris. La (du latin scientia, « connaissance », ) est dans son sens premier « la somme des connaissances » et plus spécifiquement une entreprise systématique de construction et d'organisation des connaissances sous la forme d'explications et de prédictions testables.

Planification régionale

vignette|Plan d'aménagement de la ville de Plzen en 2010 La planification régionale correspond à un « encadrement par les pouvoirs publics du développement économique et social à l'aide d'un plan, grâce à la mise en œuvre d'instruments spécifiques. On parle de plan tant que l'action menée n'implique pas la localisation précise des implantations décidées ; on parle d'aménagement lorsque les documents élaborés indiquent les lieux, axes, ou aires où les interventions doivent avoir lieu.