Черноіваненко, Сергій Миколайович2024-02-202024-02-202023Черноіваненко, С. М. Безмодельні алгоритми навчання з підкріпленням : кваліфікаційна робота бакалавра ; Model-free reinforcement learning algorithms / С. М. Черноіваненко. – Одеса, 2023. – 38 с.https://dspace.onu.edu.ua/handle/123456789/37608Метою даної кваліфікаційної роботи є апробація та модифікація алгоритму безмодельного навчання (а саме алгоритм Q-навчання). В процесі досягнення мети роботи був виконаний огляд основних теоретичних положень про область навчання з підкріпленням, були детально розглянуті принципи роботи алгоритмів безмодельного навчання з підкріпленням, запропонована і протестована модифікація алгоритму Q-навчання для прискорення процесу навчання за рахунок використання моделі, а також вивчені результати інших досліджень щодо даної методики. Для практичної апробації була розроблена тестувальна платформа на основі мови програмування Python, бібліотеки оточень агентів навчання з підкріпленням OpenAi Gymnasium та фреймворку машинного навчання загального призначення PyTorch. Результатом даної роботи є бібліотека компонент агентів навчання з підкріпленням, додаток з консольним інтерфейсом для тестування розроблених агентів навчання з підкріпленням та звіт по результатах апробації із рекомендаціями та пропозиціями щодо подальших напрямків дослідження.The purpose of this qualification work is approbation and modification of the model-free learning algorithm (namely, the Q-learning algorithm). In the process of achieving the purpose of the work, a review of the main theoretical provisions in the field of reinforcement learning was carried out, the working principles of model-free reinforcement learning algorithms were considered in detail, a modification of the Q-learning algorithm was proposed and tested to speed up the learning process through the use of a model, and the results of other studies on similar to prosed acceleration method were also overviewed. For practical approbation, a testing platform was developed based on the Python programming language, the OpenAi Gymnasium reinforcement learning agent environment library, and the PyTorch general-purpose machine learning framework. The result of this work is a library of components of reinforcement learning agents, an application with a console interface for testing the developed reinforcement learning agents, and a report on the results of the approbation with recommendations and suggestions for further research directions.uk126 інформаційні системи та технологіїалгоритм Q-навчанняалгоритму безмодельного навчанняQ-learning algorithmmodel-free learning algorithmDiplomas