« Apprentissage par renforcement à base de modèles » : différence entre les versions


(Page créée avec « ==Définition== L'apprentissage par renforcement basé sur un modèle ne diffère de son homologue sans modèle que par l'apprentissage d'un modèle de dynamique, mais cela a des effets substantiels en aval sur la manière dont les décisions sont prises. En apprentissage par renforcement, l’algorithme apprend un comportement à partir d’expériences répétées, de façon à optimiser les récompenses reçues au cours du temps. Tout comme l’Apprentissa... »)
 
Aucun résumé des modifications
Ligne 1 : Ligne 1 :
==Définition==
==Définition==
L'apprentissage par renforcement basé sur un modèle ne diffère de son homologue sans modèle que par l'apprentissage d'un modèle de dynamique, mais cela a des effets substantiels en aval sur la manière dont les décisions sont prises.
L'apprentissage par renforcement à base de modèles s'applique dans le cadre d'un agent interagissant avec son environnement qui apprend un modèle dudit environnement, puis qui exploite ce modèle pour sa prise de décisions.


==Compléments==
Un agent tente, par essais et erreurs, de résoudre un problème en accumulant des données sur ses actions et sur l'état de l’environnement qui en résulte. Avec ces données, l'agent crée un modèle dynamique, pour raisonner sur son environnement. À partir de ce modèle qui évolue dans le temps, l'agent peut ainsi prendre des décisions en prédisant leurs effets. Ce processus itératif fait que le modèle s'améliore graduellement, tout comme les décisions prises par l'agent.


En apprentissage par renforcement, l’algorithme apprend un comportement à partir d’expériences répétées, de façon à optimiser les récompenses reçues au cours du temps. Tout comme l’[[Apprentissage non supervisé|apprentissage non supervisé,]] l’apprentissage par renforcement n’a pas besoin de données étiquetées.
<hr/>


Typiquement, un agent intelligent, qui est plongé au sein d’un environnement, prend une décision ou réalise une action en fonction de son état courant et de l’observation de son environnement. En retour de l’action de l’agent, l’environnement procure à l’agent une récompense ou une punition.
L'apprentissage par renforcement basé sur un modèle ne diffère de son homologue sans modèle que par l'apprentissage d'un modèle de dynamique, mais cela a des effets substantiels en aval sur la manière dont les décisions sont prises.
 
On peut voir l’apprentissage par renforcement comme un jeu d’essais et d’erreurs dont le but est de déterminer les actions qui vont maximiser les gains d’un agent intelligent. Il élaborera ainsi un comportement optimal, appelé stratégie ou politique, qui est une fonction associant à l’état courant l’action à exécuter.
 
Voir aussi:
 
* [[apprentissage par fonction Q]]
* apprentissage avec [[politique d'action]].
* [[apprentissage par renforcement inverse|'''apprentissage par renforcement inverse''']]
 
==Compléments==




Ligne 38 : Ligne 30 :
[https://huggingface.co/learn/deep-rl-course/en/unitbonus3/model-based '' Model Based Reinforcement Learning (MBRL)'' - Hugginface]
[https://huggingface.co/learn/deep-rl-course/en/unitbonus3/model-based '' Model Based Reinforcement Learning (MBRL)'' - Hugginface]


[[Catégorie:Publication]] FRANÇAIS]]
[[Catégorie:Publication]]

Version du 9 juillet 2024 à 15:51

Définition

L'apprentissage par renforcement à base de modèles s'applique dans le cadre d'un agent interagissant avec son environnement qui apprend un modèle dudit environnement, puis qui exploite ce modèle pour sa prise de décisions.

Compléments

Un agent tente, par essais et erreurs, de résoudre un problème en accumulant des données sur ses actions et sur l'état de l’environnement qui en résulte. Avec ces données, l'agent crée un modèle dynamique, pour raisonner sur son environnement. À partir de ce modèle qui évolue dans le temps, l'agent peut ainsi prendre des décisions en prédisant leurs effets. Ce processus itératif fait que le modèle s'améliore graduellement, tout comme les décisions prises par l'agent.

L'apprentissage par renforcement basé sur un modèle ne diffère de son homologue sans modèle que par l'apprentissage d'un modèle de dynamique, mais cela a des effets substantiels en aval sur la manière dont les décisions sont prises.


Français

apprentissage par renforcement à base de modèles

Anglais

Model Based Reinforcement Learning

MBRL

Sources

Apprentissage par renforcement à base de modèles pour le contrôle de processus de décision semi-markoviens déterministes par morceaux, partiellement observables Orlane Le Quellennec 2023

Polytechnique Montréal

Unité de Mathématiques et Informatique Appliquées de Toulouse (MIAT)

arxiv - Model-based Reinforcement Learning: A Survey - T M. Moerland & al.

Model Based Reinforcement Learning (MBRL) - Hugginface

Récupérée de « https://datafranca.org/wiki/index.php?title=Apprentissage_par_renforcement_à_base_de_modèles&oldid=103780 »

Contributeurs: Claude Coulombe, Patrick Drouin, wiki