এআই গ্লসারি

📖

শব্দ

পুরস্কার গঠন

এজেন্টের শিক্ষণকে আরও কার্যকরভাবে নির্দেশিত করার জন্য পুরস্কার ফাংশন পরিবর্তন করার কৌশল। কাঙ্ক্ষিত সমাধানের দিকে অভিসৃতি ত্বরান্বিত করার সময় সর্বোত্তমতা সংরক্ষণ করতে হবে।

📖

শব্দ

মাল্টি-আর্মড ব্যান্ডিট

একটি সরলীকৃত অনুক্রমিক অপ্টিমাইজেশন সমস্যা যেখানে এজেন্টকে অজানা পুরস্কার সহ একাধিক বিকল্পের মধ্যে নির্বাচন করতে হয়। অপ্টিমাইজেশন প্রসঙ্গে অন্বেষণ-শোষণ বোঝার জন্য মৌলিক।

📖

শব্দ

আরএল-এ মেটা-লার্নিং

একটি প্যারাডাইম যেখানে এজেন্ট শেখার জন্য শেখে, নতুন অপ্টিমাইজেশন কাজগুলিতে দ্রুত অভিযোজন ক্ষমতা বিকাশ করে। মেটা-লার্নিংয়ের নীতিগুলির সাথে রিইনফোর্সমেন্ট লার্নিংকে একত্রিত করে।