Noslēguma darbu reģistrs
  
Studiju darba apraksts
Studiju veids bakalaura akadēmiskās studijas
Studiju programmas nosaukums Datorsistēmas
Nosaukums Ziņkārības modeļa nozīme stimulētā mašīnmācībā
Nosaukums angļu valodā Importance of Curiosity Model in Reinforcement Learning
Autors Māris Ancāns
Struktūrvienība 12300 Lietišķo datorsistēmu institūts
Darba vadītājs Ēvalds Urtāns
Recenzents LDI pētnieks A.Gaidukovs
Anotācija Šajā pētījumā ir piedāvāts jauns stimulētās māšīnapmācības modelis, kas imitē ziņkārības (auto-encoder) modeli. Tika veikta modeļa testēšana un hiper-parametru pārmeklēšana, īpašību un spēja iemācīties politiku vidēs ar retiem balvas stāvokļiem. Modelis tika izstrādāts, balstoties uz jaunākajiem pētījumiem ziņkārības imitēšanā dziļajā stimulētajā māšīnapmācībā. Esošie “varavīksnes” DDQN vērtību funkcijā balstītie modeļi tika papildināti ar ziņkārības modeli un auto-kodēšanas izmantojot OpenAI Gym datorspēļu vides, kā arī salīdzinājums jau ar esošām metodēm. Tika noskaidrots, ka stimulētās mašīnapmācības modeļi ar ziņkārības modeli spēj iegūt labākus rezultātus vidēs ar retiem balvas stāvokļiem. Pievienojot ziņkārības modelim arī auto-kodēšanas modeli, pārejas stāvokļu reprezentācijas kļuva vēl aprakstošākas un varēja iegūt vēl labākus rezultātus par “varavīksnes” DDQN vērtību modeļiem. Darba pamattekstā ir 61 lappuses, 43 attēli, 5 tabulas un 55 informācijas avoti.
Atslēgas vārdi dziļie mākslīgie neironu tīkli, stimulētā mašīnapmācība, ziņkārības modelis, auto-kodēšanas modelis, ddqn
Atslēgas vārdi angļu valodā deep artificial neural networks, reinforcement learning, curiosity model, auto-encoder model, ddqn
Valoda lv
Gads 2019
Darba augšupielādes datums un laiks 27.05.2019 12:03:39