Fondamenti di Reinforcement Learning (parte1) – come insegnare a imparare

In questo corso impariamo le basi del Reinforcement Learning, ovvero le tecniche che permettono alle macchine di imparare a prendere decisioni. In breve: qualunque problema che richieda una successione di azioni per essere risolto – uscire da un labirinto, vincere a un gioco, determinare una strategia di investimento, guidare un veicolo – può essere affrontato da una macchina con queste tecniche, purché la macchina sia in grado di eseguire queste azioni e “capire” quanto una successione di azioni sia “giusta”. Questa comprensione si ottiene associando a ogni azione una ricompensa, e dicendo alla macchina che deve fare le azioni in modo da avere una ricompensa totale il più alta possibile: “più ricompensa ottieni, più giusto è quello che stai facendo”, questa è l’unica cosa che diciamo alla macchina.
Questo mini degree tratta il RL nel caso tabellare per problemi dei quali si ha una completa descrizione del modello. Tabellare vuol dire che è possibile descrivere gli stati e le azioni tramite tabelle, e questo accade quando il problema presenta relativamente pochi stati; completa descrizione del modello vuol dire che sappiamo in anticipo le conseguenze delle nostre azioni: per esempio, se io tiro un dado non truccato so in anticipo che uscirà 1,2,3,4,5 o 6 con probabilità 1/6, mentre questa stessa cosa non si può dire se il dado è truccato.
Il caso tabellare con modello può essere considerato il caso base, e la sua comprensione è fondamentale per i successivi mini degree: quello model-free, in cui non supporremo più di conoscere il modello; quelli con approssimazione, in cui gli stati e le azioni saranno così tanti da dover essere ridotti a un numero più piccolo tramite tecniche di Programmazione in Python per il Deep Learning”.