Transformers : Le guide définitif (French Edition)

Chapitre 7. Transformateurs d'apprentissagepar renforcement

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

L'apprentissage par renforcement (RL) est un paradigme basé sur la prise de décisions séquentielles grâce au retour d'information provenant d'un environnement. Si tu y réfléchis bien, l'apprentissage par l'interaction n'est pas un concept nouveau. En fait, tu connais les principes de base du RL depuis toujours. En effet, tu apprends souvent en interagissant avec ton environnement sans avoir besoin d'un enseignant explicite. Par exemple, quand tu étais enfant, tu as peut-être touché des objets ou mis des choses dans ta bouche pour voir comment ton environnement réagissait. En fonction du résultat, comme pleurer après avoir été griffé par le chat de la famille, tu as appris quoi faire ensuite. À partir de ces expériences, tu as développé une « stratégie » pour tes actions futures, comme ne plus tirer sur la queue du chat.

Ce processus d’apprentissage reflète le fonctionnement d’un agent RL. Par conséquent, ce chapitre s’appuiera sur ta compréhension naturelle de l’apprentissage à partir d’un environnement et s’en inspirera pour aborder les concepts clés du RL. Plus précisément, je te proposerai un aperçu introductif des algorithmes traditionnels de RL, y compris les distinctions entre apprentissage en ligne et hors ligne, les approches basées sur un modèle et sans modèle, ainsi que le RL on-policy ...