اگر به دنیای جذاب هوش مصنوعی و یادگیری ماشین علاقه‌مند باشید، حتماً نام یادگیری تقویتی (Reinforcement Learning یا RL) به گوشتان خورده است. RL همان بخشی از هوش مصنوعی است که به ماشین‌ها و ربات‌ها یاد می‌دهد مثل انسان‌ها از تجربه یاد بگیرند: آزمون و خطا کنند، اشتباه کنند، بهتر شوند، و در نهایت بهترین تصمیم‌ها را بگیرند.
یادگیری تقویتی امروز موتور محرکه‌ی پیشرفت‌هایی مثل خودروهای خودران، ربات‌های هوشمند و سیستم‌های تصمیم‌گیری پیشرفته شده است. اما چطور باید وارد این دنیای فوق‌العاده شد؟
در این مقاله، ۵ منبع معتبر و کاملاً رایگان را معرفی می‌کنم که با آن‌ها می‌توانید یادگیری تقویتی را حرفه‌ای و اصولی یاد بگیرید:
۱. «یادگیری تقویتی از بازخورد انسانی» نوشته ناتان لمبرت
اگر دنبال شروعی سریع و کاربردی در RLHF (یادگیری تقویتی از بازخورد انسانی) هستید، این کتاب انتخاب عالی است. ناتان لمبرت در این کتاب به زبان ساده توضیح می‌دهد چطور می‌توانیم سیستم‌هایی بسازیم که از بازخورد انسان‌ها یاد بگیرند. موضوعاتی مثل تنظیم دستورالعمل‌ها، مدل‌سازی پاداش، تولید داده‌های مصنوعی و ارزیابی مدل‌ها به صورت منظم و قابل فهم پوشش داده شده‌اند. برای درک بهتر دنیای مدرن RL، این منبع را از دست ندهید.
۲. «دوره‌ی یادگیری تقویتی» (ویرایش دوم) توسط دیمیتری پی. برتسکاس
این دوره‌ی ارزشمند از دکتر دیمیتری برتسکاس، استاد MIT، یکی از پایه‌ای‌ترین و در عین حال کامل‌ترین منابع برای یادگیری RL است. با ترکیبی از مفاهیم نظری و تمرین‌های عملی، این دوره به شما کمک می‌کند تا با برنامه‌نویسی پویا، الگوریتم‌های یادگیری تقویتی و کاربردهای واقعی آن‌ها آشنا شوید. اگر به دنبال یادگیری عمیق‌تر هستید، این دوره را جدی بگیرید.
۳. دوره ویدیویی «مبانی ریاضی یادگیری تقویتی» توسط شیو ژائو
دوست دارید RL را از زاویه‌ی ریاضی و علمی‌تر یاد بگیرید؟ این دوره‌ی ویدیویی دقیقاً برای شماست. شیو ژائو، با بیانی شیوا و ساده، مفاهیمی مثل معادله‌ی بلمن، یادگیری مونت کارلو، الگوریتم‌های بازیگر-منتقد و گرادیان سیاست را آموزش می‌دهد. حتی اگر قبلاً از ریاضیات می‌ترسیدید، این دوره کمکتان می‌کند پایه‌ی محکمی بسازید.
همچنین، می‌توانید مطالب تکمیلی را از مخزن گیت‌هاب دوره دریافت کنید.
۴. «یادگیری تقویتی چندعامله» نوشته استفانو وی. آلبرشت، فیلیپوس کریستینوس و لوکاس شفر
دنیای واقعی پر از عامل‌هاست: از ربات‌هایی که با هم همکاری می‌کنند گرفته تا تیم‌هایی از ماشین‌های خودران. در این کتاب یاد می‌گیرید چطور چند عامل می‌توانند با هم یا در برابر هم یاد بگیرند. یادگیری تقویتی چندعامله (MARL) موضوعی پیشرفته و هیجان‌انگیز است که نویسندگان این کتاب به شکلی واضح و کاربردی آن را توضیح داده‌اند. اگر می‌خواهید فراتر از RL کلاسیک بروید، این منبع را از دست ندهید.
۵. «یادگیری تقویتی: مروری جامع» نوشته کوین پی. مورفی
کوین پی. مورفی، یکی از پژوهشگران برجسته‌ی یادگیری ماشین، در این مقاله‌ی عالی، نگاهی کلی و به‌روز به RL انداخته است. از روش‌های مبتنی بر ارزش و گرادیان سیاست گرفته تا مدل‌های مبتنی بر پیش‌بینی و یادگیری چندعامله، همه چیز با زبانی علمی و دقیق اما قابل فهم توضیح داده شده است. این مقاله برای کسانی که می‌خواهند درک جامع و به‌روزی از RL داشته باشند، یک منبع حیاتی است.
یادگیری تقویتی دیگر فقط یک موضوع آکادمیک نیست؛ امروز پایه‌ی بسیاری از پیشرفت‌های فناورانه است. خوشبختانه منابع رایگان و معتبری برای شروع این مسیر وجود دارد که بدون هزینه می‌توانید از آن‌ها استفاده کنید.
اگر این ۵ منبع را به ترتیب و با دقت مطالعه کنید، نه تنها درک عمیقی از RL خواهید داشت، بلکه می‌توانید پروژه‌های عملی و واقعی هم شروع کنید.
فراموش نکنید: یادگیری یک سفر است. با قدم‌های کوچک ولی مداوم، به قله‌های بزرگ می‌رسید!
