AITerms 登入
iPAS 初級 強化學習模型訓練AI基礎

強化學習(Reinforcement Learning)是什麼?

強化學習是一種讓 AI 透過與環境互動,從獎勵和懲罰中學習,進而找到最佳行動策略的方法

完整定義

強化學習是一種機器學習方法,用於訓練智能體在環境中做出決策以最大化累積獎勵。智能體通過與環境互動,不斷試錯學習最佳策略。在 iPAS 初級考試中,強化學習的基本概念、獎勵函數設計以及常見演算法(如 Q-learning)是重要的考點。

白話說明

你在玩遊戲或調整自動系統時,會不會發現它不是看標準答案,而是在試錯中越做越準?

你可以把強化學習想成小孩拿零用錢做選擇,做對就得到獎勵,做錯就少一點,AI 也是靠這種回饋慢慢學會該怎麼做。

它重要是因為很多任務沒有唯一正解,像下棋、導航、排程,都要看長期結果,不是只看當下那一步對不對。

記住這句

沒有標準答案時,看長期回報,就用強化學習。

比喻:強化學習就像訓練一隻狗狗 -- 狗狗做對了就給零食(獎勵),做錯了就沒有(懲罰),透過不斷嘗試和回饋,狗狗就會慢慢學會做出對的行為。

容易混淆

強化學習 vs 監督式學習

強化學習靠獎勵和懲罰試錯

監督式學習靠有答案的標籤學習

最關鍵的區別是有沒有現成正解。

強化學習 vs 自我對弈

強化學習是整個學習框架

自我對弈是用自己跟自己比賽來產生資料的方法

最關鍵的區別是框架和訓練手法不同。

實際案例

遊戲 AI 練等

遊戲角色每一步都拿到分數或扣分,最後學會怎麼走位、怎麼出招,這就是強化學習最典型的場景。

機器人走迷宮

機器人每次撞牆就扣分,接近出口就加分,跑久了之後會慢慢學會走最短路。

演算法與應用

核心元素通常是狀態、動作、獎勵、策略,模型要學的是在不同狀態下該做什麼動作。

探索與利用是關鍵矛盾,太愛嘗試會浪費時間,太快固定答案又可能錯過更好的路。

在實務上,DQN、Policy Gradient、Actor-Critic 都是常見做法,差別在於怎麼估計價值和更新策略。

情境判斷

Q1(直覺題):一個模型在棋類遊戲中,贏一局就加分、輸一局就扣分,這種學習方式屬於什麼?

這是強化學習,因為模型不是看標準答案,而是根據回饋慢慢調整策略。

Q2(判斷題):如果每一步都能立刻知道正確答案,還適合用強化學習嗎?

通常不優先。這種情況更像監督式學習,因為標籤已經存在,直接學對錯通常更快更穩。

iPAS 考題

Q:iPAS 常怎麼考強化學習?

A:通常會考名詞辨義和基本流程,例如狀態、動作、獎勵各代表什麼,或是 DQN 為什麼能處理較複雜的狀態空間。

常見問題

範例考題

某物流公司導入強化式學習(Reinforcement Learning)優化車隊調度。模型在系統運行過程中,會依據不同配送狀態動態調整行動選擇方式,使決策結果逐步朝較佳績效收斂。上述模型在學習過程中的調整行為,最符合下列哪一項強化式學習核心機制?

  1. A調整策略函數以改變行動選擇機率
  2. B更新訓練資料分布以降低模型偏差
  3. C重新分群狀態資料以識別決策類型
  4. D建立正確決策標籤進行誤差修正
到題目頁作答

關於機器學習不同的學習模式,下列敘述何者錯誤? 1. 監督式學習(Supervised Learning)透過已標註資料學習輸入與目標之間的對應關係,常見任務包含分類與數值預測。 2. 非監督式學習(Unsupervised Learning)雖不需標註資料,但通常需預先定義每筆資料的正確輸出類別以利模型收斂。 3. 半監督式學習(Semi-supervised Learning)在訓練過程中僅利用未標註資料進行特徵學習,並不涉及標註資料。 4. 自監督式學習(Self-supervised Learning)的訓練方式與監督式學習相同,皆需人工逐筆提供標註資料。 5. 強化式學習(Reinforcement Learning)透過與環境互動並依據回饋訊號調整策略,以優化決策行為。 6. 自監督式學習(Self-supervised Learning)通常利用資料本身產生訓練目標,以降低對人工標註資料的依賴。

  1. A2、3、6
  2. B2、4、5
  3. C1、3、6
  4. D2、3、4
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把強化學習列為延伸術語。

立即測驗

想測試你對 強化學習 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:ipd.nat.gov.tw

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本