Pekiştirmeli öğrenme problemlerinde keşif ve genelleştirme yöntemleri

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: Türkçe

Öğrenci: KIVANÇ GÜÇKIRAN

Danışman: Bülent Bolat

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Makine öğrenmesinin alt başlığı olan pekiştirmeli öğrenme, bir hedefe dair en uygun politikayı bulmayı amaçlayan ve çeşitli algoritmaların birleşiminden oluşan bir yöntemler bütünüdür. Bu hedef bir çok alt görev tanımından oluşabileceği gibi yalnızca bir başarımdan oluşabilir. Bir çok makine öğrenmesi konsepti gibi, pekiştirmeli öğrenmenin de kendisine has bazı problemleri bulunmaktadır. Bu problemler hedeflenen politikanın en uygun olmayan yapıya yakınsamasına yol açabilmektedir. Bu yakınsama, ortamın dinamiklerini yeterince keşfetmeden karara ulaşmasından yahut, karşılaşılmayan dinamikler ile karşılaşıldığı durumda genelleyememesinden kaynaklanmaktadır. Bu çalışmada, TORCS ortamında otonom bir şekilde yarışan bir başarılı ve uygun bir politika bulunmaya çalışıldı. Keşif ve genelleştirme problemlerini en aza indirgemek için bir çok yöntem dikkate alındı ve kullanıldı. Bir çok iyileştirmeyle beraber Soft-Actor-Critic algoritması kullanılarak başarılı bir politika elde edildi.