Secara umum, pembelajaran mesin dapat diklasifikasikan menjadi empat jenis: pembelajaran mesin yang diawasi, pembelajaran mesin yang tidak diawasi, pembelajaran mesin semi-diawasi, dan pembelajaran penguatan (reinforcement learning). Pembelajaran mesin yang diawasi adalah jenis pembelajaran mesin yang merupakan jenis atau cabang ilmu data yang paling mudah dan tidak terlalu rumit. Artikel ini akan membahas reinforcement learning dan meta reinforcement learning dalam ilmu data (data science). Artikel ini akan membantu seseorang untuk memahami ide dasar dan inti intuisi dibalik pembelajaran meta-reinforcement dan mekanisme kerjanya. Kita akan mulai dengan meninjau kembali konsep reinforcement learning dan dengan cepat beralih ke meta reinforcement learning dan intuisi intinya.
Reinforcement Learning
Pembelajaran penguatan atau Reinforcement Learning adalah jenis pembelajaran mesin di mana ada tiga hal utama: agen, lingkungan, dan tindakan agen. Di sini, agennya adalah model pembelajaran mesin atau algoritma yang awalnya belum dilatih. Agen dimasukkan ke dalam lingkungan. Sekarang agen akan melakukan tindakan dan menurut tindakan yang dilakukan dan hasilnya, agen diberikan beberapa poin.
Berdasarkan poin yang diberikan kepada model atau agen, agen belajar untuk tetap dan bertindak dengan tepat di lingkungan, dan ini adalah bagaimana pelatihan model dilakukan dalam pembelajaran penguatan.
Pada gambar di atas, kita dapat melihat bahwa beberapa input data dimasukkan ke dalam model. Setelah data diberikan ke sistem, agen akan memilih model terbaik yang sesuai dengan lingkungan, model akan melatih algoritma yang sama dan data input serta dasar hasil dari yang sama, dan beberapa poin akan diberikan kepada model. Sekarang, model dapat dengan mudah memilih algoritma yang paling cocok dengan menyetel dan melihat poin yang diberikan.
Kompleksitas waktu model reinforcement learning tinggi karena membutuhkan banyak waktu untuk melatih model. Model RL adalah jenis model yang melakukan banyak komputasi untuk memperkenalkan model yang sukses, yang juga membutuhkan kekuatan komputasi yang lebih tinggi. Model reinforcement learning yang baik dilatih pada ukuran data yang signifikan untuk mencapai akurasi dan hasil yang lebih baik dari model tersebut.
Namun dalam setiap kasus, dimungkinkan untuk memiliki banyak data dan waktu untuk melatih model reinforcement learning. Dalam kasus seperti itu, meta reinforcement learning membantu melakukan tugas-tugas tersebut. Pengetahuan meta-reinforcement digunakan dalam skenario ini untuk menyiapkan model yang sama lebih cepat dengan data terbatas yang tersedia.
Meta – Reinforcement Learning
Meta-reinforcement learning merupakan jenis pembelajaran reinforcement yang digunakan untuk melatih model pembelajaran reinforcement dengan data dan waktu yang terbatas. Pendekatan ini terutama digunakan untuk melatih model di mana tidak ada banyak data yang tersedia terkait dengan pernyataan masalah, dan ada kebutuhan untuk menyiapkan model secepat mungkin.
Dalam pendekatan ini, keadaan awal struktur model paling banyak digunakan. Di sini tahap dasar atau lebih sedikit dari agen model digunakan untuk melatih agen, dan kemudian bergantung pada pengetahuan agen ini, langkah selanjutnya dilakukan secara otomatis.
Misalnya, dalam kasus jaringan saraf, struktur dasar atau struktur awal jaringan saraf dipelajari. Sekarang untuk melatih model lebih lanjut, pengetahuan yang diperoleh dari langkah awal dan sumber daya yang tersedia dengan tugas yang sama digunakan untuk melatih dan menyiapkan model lebih lanjut dengan data yang terbatas.
Pada gambar di atas, kita dapat melihat bahwa agen bertindak sesuai dengan lingkungan dan diberikan reward atas tindakannya. Di sini agen mengamati lingkungan dan menyetel parameter sesuai dengan itu. Perbedaan utama di sini adalah agen menangani reward dan pengamatan sebelumnya dan menggunakan informasi tersebut untuk melakukan langkah selanjutnya.
Pada Gambar di atas, kita dapat melihat agen dan lingkungan. Agen mengambil tindakan di latar belakang dan diberikan sesuai dengan aktivitasnya. Proses ini terjadi berkali-kali dan agen menangani pengamatan dan reward sebelumnya, dan kebijakan dibuat untuk bertindak sesuai dengan lingkungan pada langkah berikutnya. Ini akan membantu model untuk melakukan tugas dengan sangat efisien dengan data terbatas dan tanpa menghabiskan banyak waktu untuk pelatihan.
Perbedaan Reinforcement vs Meta – Reinforcement Learning
Berdasarkan struktur model reinforcement, kedua teknik tersebut sama. Namun terdapat sedikit perbedaan antara keduanya pada mekanisme kerja model tersebut. Dalam pembelajaran reinforcement, model mengambil tindakan di lingkungan dan diberikan oleh hasil untuk membentuk kegiatan tertentu. Di sini data atau pengamatan dari langkah sebelumnya tidak digunakan untuk melakukan tindakan selanjutnya.
Dalam pembelajaran meta-reinforcement, agen bertindak sesuai dengan lingkungan dan mengambil tindakan. Agen mengamati pengaturan untuk langkah-langkah tertentu dan diberi imbalan sesuai dengan hasilnya. Tidak, pada langkah selanjutnya, agen kembali bertindak di lingkungan, tetapi di sini agen juga akan mengingat pengamatan dan penghargaan dari langkah sebelumnya.
Ini adalah perbedaan utama antara keduanya yang membuat pembelajaran meta-reinforcement bekerja lebih cepat dan lebih efisien. Pengetahuan yang diperoleh dari langkah-langkah sebelumnya dicatat dan membantu melakukan langkah-langkah berikutnya, yang membantu melatih model bahkan dengan data yang terbatas.