এআই গ্লসারি

📖

শব্দ

অভিনেতা-সমালোচক

একটি শক্তিশালী শেখার আর্কিটেকচার যা একটি স্টোকাস্টিক নীতি শেখার জন্য একটি অভিনেতা নেটওয়ার্ক এবং নীতি গ্রেডিয়েন্টের ভ্যারিয়েন্স কমানোর জন্য একটি মান ফাংশন অনুমানকারী সমালোচক নেটওয়ার্ককে একত্রিত করে।

📖

শব্দ

মান ফাংশন

একটি গাণিতিক ফাংশন যা একটি অবস্থা বা অবস্থা-ক্রিয়া জোড়া থেকে প্রত্যাশিত ক্রমবর্ধমান রিটার্ন অনুমান করে, অভিনেতা-সমালোচক আর্কিটেকচারে সমালোচকের জন্য শেখার সংকেত হিসেবে কাজ করে।

📖

শব্দ

অ্যাসিঙ্ক্রোনাস অ্যাডভান্টেজ অভিনেতা-সমালোচক

একটি বিতরণকৃত আর্কিটেকচার যেখানে একাধিক এজেন্ট স্বাধীন পরিবেশে সমান্তরালভাবে প্রশিক্ষণ নেয়, শেখার গতি বাড়ানোর জন্য পর্যায়ক্রমে তাদের গ্রেডিয়েন্ট শেয়ার করে।

📖

শব্দ

ডিপ ডিটারমিনিস্টিক পলিসি গ্রেডিয়েন্ট

অবিচ্ছিন্ন অ্যাকশন স্পেসের জন্য একটি অভিনেতা-সমালোচক অ্যালগরিদম যা স্থিতিশীল অফ-পলিসি শেখার জন্য ডিপ নিউরাল নেটওয়ার্ক, ডিটারমিনিস্টিক পলিসি এবং রিপ্লে বাফার ব্যবহার করে।

📖

শব্দ

টুইন ডিলেড ডিপ ডিটারমিনিস্টিক পলিসি গ্রেডিয়েন্ট

DDPG-এর উন্নত সংস্করণ যা মানের অতিমূল্যায়ন কমানোর জন্য দুটি যমজ সমালোচক ব্যবহার করে এবং আরও ভাল স্থিতিশীলতার জন্য অভিনেতা এবং টার্গেটের বিলম্বিত আপডেট ব্যবহার করে।

📖

শব্দ

সফট অভিনেতা-সমালোচক

একটি অভিনেতা-সমালোচক অ্যালগরিদম যা রিটার্ন এবং এনট্রপি একত্রিত করে একটি এনট্রপি রিওয়ার্ড ম্যাক্সিমাইজ করে, এক্সপ্লোরেশন উৎসাহিত করার জন্য স্থিতিশীল এবং দক্ষ অফ-পলিসি আপডেট ব্যবহার করে।

📖

শব্দ

অ্যাডভান্টেজ অভিনেতা-সমালোচক

A3C-এর একটি সিনক্রোনাস বৈকল্পিক যা নীতি গ্রেডিয়েন্টের ভ্যারিয়েন্স কমানোর জন্য অ্যাডভান্টেজ অনুমান ব্যবহার করে, এবং GPU-তে আরও ভাল স্থিতিশীলতার জন্য ব্যাচ আপডেট সহ।

📖

শব্দ

সমালোচক নেটওয়ার্ক

একটি নিউরাল নেটওয়ার্ক যা V(s) বা Q(s,a) মান ফাংশন অনুমান করে অভিনেতাকে TD শেখার সংকেত প্রদান করে, অপ্টিমাইজেশন গ্রেডিয়েন্ট হিসেবে প্রেডিকশন ত্রুটি ব্যবহার করে।