Comment séparer entraînement et évaluation d’un modèle robotique ?
Séparer entraînement et évaluation consiste à garder des données indépendantes pour vérifier qu’un modèle robotique généralise au-delà des exemples vus.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
69 résultats
Séparer entraînement et évaluation consiste à garder des données indépendantes pour vérifier qu’un modèle robotique généralise au-delà des exemples vus.
L’apprentissage robotique ajuste un modèle ou une politique à partir de données et d’essais afin de relier observations, décisions et actions dans un domaine défini.
Un algorithme de renforcement apprend une stratégie en essayant des actions et en utilisant un retour pour favoriser les comportements utiles dans un cadre défini.
L’exploration essaie des actions nouvelles, tandis que l’exploitation réutilise celles qui ont déjà donné de bons résultats.
Un épisode d’apprentissage commence dans un état, enchaîne des actions et se termine quand le but, l’échec ou une limite est atteint.
Le transfert simulation-réalité consiste à faire passer une politique apprise dans un monde virtuel vers un robot réel en réduisant les écarts de capteurs, dynamique et environnement.
Choisir une récompense de tâche robotique demande de traduire l’objectif en signaux mesurables sans encourager un raccourci dangereux ou contraire à l’intention.
Le Q-learning estime la valeur d’une action dans un état et l’actualise grâce à la récompense obtenue et à la meilleure suite possible selon le modèle appris.
Un problème d’apprentissage par renforcement décrit un état, des actions possibles, une récompense et les transitions qui résultent des choix de l’agent.
Une question plus précise ?