Stimulētās mašīnmācīšanās problēmu veidi un risināšanas metodes un rīki

Abstract

Stimulētā mašīnmācīšanās ir viena no mašīnmācīšanās apakšnozarēm, kas to padara par vienu no mākslīgā intelekta apakšnozarēm. Ar stimulētās mašīnmācīšanas palīdzību un tās paņēmieniem var modelēt fizikālajā pasaulē sastopamas problēmas un veidus, kā tās risināt ar datora palīdzību. Šajā darbā tiks apskatītas vienkāršākās problēmas, kuras parasti tiek risinātas, apgūstot stimulētās mašīnācīšanās pamatprincipus un metodes to risināšanai, un kuras tiek iekļautas mašīnmācīšanās apakšnozare, kā arī pieejamie un nepieciešamie rīki, lai būtu iespējams šīs problēmas modelēt datoram saprotamā veidā un ar to palīdzību būtu iespējams atrisināt tās problēmas, kas ir sastopamas mūsu fiziskajā pasaulē.

Reinforcement learning is one of the machine learnings subfields, which makes it a subfield of artificial intelligence. With reinforcement learning and its approach to problem solving it’s possible to model and solve problems within our physical world. In this paper, will be discussed some of the simpler problems that often are used for learning how to use reinforcement learning and methods as well as how to implement it for problem solving in general as well as available and required tools to do so that computer could understand and help us solve these problems which are found within our physical world.