ก้าวสู่ AGI: ทบทวนและเรียนต่อ
ทบทวนทั้งหมดและสิ่งที่ควรเรียนต่อ
ลองกลับไปอ่านนิยามในบทที่ 1 อีกครั้ง: โปรแกรมที่เรียนรู้ด้วยการลองผิดลองถูก จาก feedback ที่ต่อเนื่อง ประเมิน และสุ่ม โดยใช้ function approximation ที่ไม่เป็นเชิงเส้น ทุกคำในนิยามนี้คุณได้เรียนมาแล้ว
แผนที่ของทุกวิธี
| กลุ่ม | เรียนอะไร | ตัวอย่าง |
|---|---|---|
| Value-based | Q(s,a) | Q-learning, DQN, DDQN, Dueling, PER |
| Policy-based | π(a|s) โดยตรง | REINFORCE, VPG |
| Actor-critic | π และ V/Q พร้อมกัน | A2C, A3C, DDPG, TD3, SAC, PPO |
| Model-based | T และ R ของ environment | Dyna-Q, trajectory sampling |
| Derivative-free | ปรับ parameter โดยไม่ใช้ gradient | Evolution strategies, genetic algorithms |
หัวข้อขั้นสูงที่ควรเรียนต่อ
Model-based Deep RLเรียน model ด้วย neural network แล้ววางแผน
Inverse RLเรียน reward จากการดูผู้เชี่ยวชาญ
Transfer · Sim-to-realฝึกใน simulation แล้วใช้กับหุ่นยนต์จริง
Multi-task · Meta learningagent เดียวทำได้หลายงาน และ "เรียนวิธีเรียน"
Multi-agent RLหลาย agent ร่วมมือหรือแข่งขันกัน
แก้ปัญหาของคุณเองสร้าง environment ใหม่ด้วย Gymnasium แล้วลองทุก algorithm
ก้าวต่อไป
- รันโค้ดทุกบทแล้วลองเปลี่ยน γ, α, ε, λ
- สร้าง grid-world ของตัวเองแล้วแก้ด้วย value iteration และ Q-learning
- ลอง Stable-Baselines3 เพื่อใช้ PPO / SAC กับโปรเจกต์จริง
- #DeepRL
- #ReinforcementLearning
- #PythonສຳລັບຄົນLaos
- #AI
- #ບອກຕໍ່ຄວາມຮູ້