Differences

This shows you the differences between two versions of the page.

--- courses:b3b33kui:cviceni:program_po_tydnech:tyden_07 [2018/04/03 17:02]
+++ courses:b3b33kui:cviceni:program_po_tydnech:tyden_07 [2024/04/04 12:44] (current)
kostkja2 [Zadání]
@@ Line 1: / Line 1: @@
+====== 06 Sequential II ======
+Pokračujeme v sekvenčním rozhodování. Jak počítat vhodnou policy přímo?
+<note important>Prosíme vás o vyplnění malého [[https://forms.gle/FqXzc58qvqeFvdda8|dotazníku]].</note>
+====== Kvíz - Policy iteration/evaluation ======
+/*
+  * bodovaný, bonusových 0.5bodu
+  * řešení odevzdat do BRUTE do úlohy **lab06quiz**, do půlnoci dne, kdy běží dané cvičení
+  * formát: textový soubor, fotka řešení na papíře, pdf - co Vám nejlépe vyhovuje a dokážeme to přečíst
+  * správné řešení prodiskutujeme na příštím cvičení
+*/
+++++ Zadání|
+Vyřešte úlohu podle {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210324-083140_policyevaluation_cv101.pdf | konkrétního zadání}}.
+++++
+/*
+==== Zadání kvíz ====
+  * p. 101, St 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210324-083140_policyevaluation_cv101.pdf | cv101}}
+  * p. 102, St 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210324-083435_policyevaluation_102.pdf | cv102}}
+  * p. 103, Čt 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:policy_estimation_p103_cz.pdf | cv103}}
+  * p. 104, Čt 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:policyevaluation_104.pdf| cv104}}
+  * p. 105, Pá 9:15: {{ :courses:b3b33kui:cviceni:program_po_tydnech:policy_estimation_p105_cz.pdf | cv105}}
+*/
+===== Hledání optimální policy =====
+  * vysvětlení na příkladu
+==== Zadání ====
+<WRAP group>
+<WRAP column 20%>
+| -40 | 30 | -50 |
+| -40 | r(A) = -1 | -50 |
+| -40 | r(B) = -1 | -50 |
+</WRAP>
+<WRAP column 10%>
+{{ :courses:b3b33kui:cviceni:program_po_tydnech:trans_model_new.png?80 |}}
+</WRAP>
+<WRAP column 40%>
+  * akce: {$\leftarrow, \rightarrow,\uparrow,\downarrow$}
+  * $\gamma = 0.9$
+  * $V_{k+1}(s) \leftarrow r(s) + \gamma \rm{max}_a\it{\sum_{s'}p(s'|s,a)V_k(s')}$
+</WRAP>
+</WRAP>
+Najděte optimální policy.
+==== Value Iteration ====
+  * iterovat: aktualizovat hodnoty $V(s)$ dokud se mění o více než zadané $\epsilon$
+  * určit nejlepší strategii $\pi(s) = \rm{argmax}_a V(s)$
+/*|$t=0:$ | $V(A) = 0, V(B) = 0$|
+|$t=1:$ | <latex>V(A) = -1 + 0.9\cdot\max \left\{%
+ \begin{array}{cl}
+            (\rightarrow)& 0.6 \cdot (-50) + 0.2\cdot 30 + 0.2\cdot 0 = -24\\
+            (\leftarrow) &0.6\cdot(-40) + 0.2\cdot 30 + 0.2\cdot 0 = -18\\
+            (\uparrow) &0.6\cdot 30 + 0.2\cdot(-40)+0.2\cdot(-50) = 0\\
+            (\downarrow)& 0.6\cdot 0 + 0.2\cdot (-50)+0.2\cdot(-40) = -18\\
+          \end{array}
+          \right\} = -1 \;\;\;(\uparrow) \\
+          & V(B) = -1 + 0.9\cdot\max \left\{%
+          \begin{array}{cl}
+            (\rightarrow)& 0.6 \cdot (-50) + 0.2\cdot0 + 0.2\cdot0 = -30\\
+            (\leftarrow) &0.6\cdot(-40) + 0.2\cdot0 + 0.2\cdot0 = -24\\
+            (\uparrow) & 0.6\cdot0 + 0.2\cdot(-40)+0.2\cdot(-50) = -18\\
+            (\downarrow)& 0.6\cdot0 + 0.2\cdot(-50)+0.2\cdot(-40) = -18\\
+          \end{array}
+          \right\} = -17.2 \;\;\;(\uparrow) / (\downarrow) \\
+          %t=2: & V_A = -1 + \max \left\{%
+        \end{array}
+<\latex>|
+*/
+==== Policy Iteration ====
+  * iterovat: 2 kroky
+      * policy evaluation:
+          * ohodnocení stavů podle dané policy
+          * $V_{k+1}^{\pi_i}(s) \leftarrow r(s) + \gamma \sum_{s'}p(s'|s,\pi_i(s))V_k(s')$
+          * iteračně nebo analyticky
+      * policy refinement:
+          * z nových hodnot stavů určit (lepší) policy
+  * dokud dochází ke změně policy
+/*  * prezentace {{  :courses:b3b33kui:cviceni:program_po_tydnech:value_policy_iteration_example.pdf  | Value/Policy iteration příklad}}*/
+===== Samostatná úloha =====
+Pokračování v samostatné úloze [[courses:b3b33kui:semestralni_ulohy:3_mdp:start|Markovské rozhodovací procesy]].
+Implementace [[courses:b3b33kui:semestralni_ulohy:testy:start|testů]] pro ověření správnosti specifikace.