Il reinforcement learning (RL) è un approccio dell’intelligenza artificiale che permette agli agenti di apprendere comportamenti ottimali attraverso interazioni con l’ambiente, senza supervisione esplicita. Questa tesi introduce i concetti chiave del RL con un focus sui processi di decisione sequenziale rappresentati dai modelli di Markov. Vengono analizzati i principali algoritmi di RL evidenziandone vantaggi e limiti. Un’applicazione pratica dell’RL è stata implementata nel contesto del 'Mondo del Wumpus', un ambiente virtuale che richiede capacità decisionali in condizioni di incertezza. L’agente, attraverso tecniche di apprendimento per rinforzo, ha sviluppato strategie efficaci per esplorare l’ambiente e massimizzare le ricompense. Infine, la tesi discute le potenziali applicazioni future del RL, mettendo in evidenza le sfide attuali che si stanno affrontando in questo campo.

Introduzione al Reinforcement Learning

DUSI, LUCA
2024/2025

Abstract

Il reinforcement learning (RL) è un approccio dell’intelligenza artificiale che permette agli agenti di apprendere comportamenti ottimali attraverso interazioni con l’ambiente, senza supervisione esplicita. Questa tesi introduce i concetti chiave del RL con un focus sui processi di decisione sequenziale rappresentati dai modelli di Markov. Vengono analizzati i principali algoritmi di RL evidenziandone vantaggi e limiti. Un’applicazione pratica dell’RL è stata implementata nel contesto del 'Mondo del Wumpus', un ambiente virtuale che richiede capacità decisionali in condizioni di incertezza. L’agente, attraverso tecniche di apprendimento per rinforzo, ha sviluppato strategie efficaci per esplorare l’ambiente e massimizzare le ricompense. Infine, la tesi discute le potenziali applicazioni future del RL, mettendo in evidenza le sfide attuali che si stanno affrontando in questo campo.
2024
Introduction to Reinforcement Learning
Automazione
Applicazioni varie
Mondo del Wumpus
File in questo prodotto:
File Dimensione Formato  
Dusi_Luca.pdf

accesso aperto

Dimensione 648.62 kB
Formato Adobe PDF
648.62 kB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/82522