Wikibooks euwikibooks https://eu.wikibooks.org/wiki/Azala MediaWiki 1.47.0-wmf.12 first-letter Media Berezi Eztabaida Lankide Lankide eztabaida Wikibooks Wikibooks eztabaida Fitxategi Fitxategi eztabaida MediaWiki MediaWiki eztabaida Txantiloi Txantiloi eztabaida Laguntza Laguntza eztabaida Kategoria Kategoria eztabaida TimedText TimedText talk Modulu Modulu eztabaida Event Event talk 0 7248 43928 43898 2026-07-24T09:10:08Z ~2026-41332-25 2743 /* Laugarren hamarkada (2006-2015) */ 43928 wikitext text/x-wiki {{Lanean|Inaki.alegria}} : [[/SARRERA/]] (?) # [[Eredua|Nola idatzi? - Eredu bat]] == Lehen hamarkada (1976-1985) == # [[/DIF 1976-1985: DIF martxan - Eraikina/]] # [[/VAX makina, LISP makina/]] # [[/Datu-base erlazional/]] (BUKATUA 07-14) # [[/Gako publikoko kriptografia/]] # [[/Unix Sistema Eragilea/]] (BUKATUA 07-14) # [[/Ofimatika: testu-prozesadorea eta kalkulu-orria/]] (BUKATUA 07-14) # [[/Sare lokalak: Ethernet/]] # [[/Interfaze grafikoa/]] (BUKATUA 07-14) # [[/PC/]] (BUKATUA 07-14) # [[/RISC arkitektura/]] # [[/SMTP protokoloa/]] (BUKATUA 07-14) # [[/TCP/IP (Internet)/]] (BUKATUA 07-14) # [[/Laser inprimagailua/]] (BUKATUA 07-14) == Bigarren hamarkada (1986-1995) == # [[/DIF 1986-1995: Euskal lerroa sendotzen/]] (BUKATUA 07-14) # [[/GIF formatua/]] (BUKATUA 07-14) # [[/WWW/]] (BUKATUA 07-14) # [[/HTML/]] (BUKATUA 07-14) # [[/Linux kernela/]] (BUKATUA 07-14) # [[/Indargarri bidezko ikaskuntza/]] (TD-Gammon) # [[/Multimedia (MP3)/]] # [[/Java lengoaia/|Java lengoaia eta plataforma unibertsala]] # [[/JavaScript/]] # [[/SSH protokoloa/]] # [[/Python lengoaia/]] (BUKATUA 07-14) # [[/Klusterrak eta superkonputazioa/]] (BUKATUA 07-14) == Hirugarren hamarkada (1996-2005) == # [[/DIF 1996-2005: Ikerkuntzaren eztanda/]] # [[/USB busa eta Flash memoria/]] # [[/Wifi teknologia/]] # [[/PageRank algoritmoa (Google)/]] # [[/Bluetooth/]] (BUKATUA 07-14) # [[/BitTorrent Protokoloa/]] # [[/Web zerbitzuak/]] # [[/Sare sozialak/]] # [[/Nukleo anitzeko prozesadoreak/]] (BUKATUA 07-14) # [[/Web 2.0/]] # [[/Git/]] (BUKATUA 07-14) # [[/Streaming/]] # [[/3D (Errealitate birtual)/]] == Laugarren hamarkada (2006-2015) == # [[/DIF 2006-2015: Internazionalizazioa/]] # [[/Arduino, Robotika/]] (BUKATUA 07-14) # [[/Hodei konputazioa/]] # [[/Hadoop/]] (BUKATUA 07-14) # [[/SSD unitateak/]] # [[/Bloke-kateak (Blockchain)/]] (BUKATUA 07-14) # [[/NoSQL datu-baseak/]] (BUKATUA 07-14) # [[/Tableta/]] # [[/Sare neuronalen eztanda: Transformer, TensorFlow, GPU/]] # [[/AlphaGo (Deep Reinforcement Learning)/]] # [[/GAN Sareak/]] == Bostgarren hamarkada (2016-2025) == # [[/DIF 2016-2025: Informatika Fakultateko Ikasketa-Planak/]] # [[/Docker teknologia/]] (BUKATUA 07-14) # [[/Bideokonferentzia sistemak/]] # [[/GPU/]] # [[/RISC-V/]] # [[/Itzulpen automatiko neuronala/]] # [[/5G sareak (segmentazioa)/]] (BUKATUA 07-14) # [[/ARM arkitektura/]] # [[/LLM ereduak (ChatGPT)/]] # [[/Konputazio kuantikoa/]] == Kanpo estekak == * [https://eu.wikipedia.org/wiki/Wikiproiektu:Informatika50 Wikilibururako teknologien zerrenda datu gehiagorekin] (arduraduna, urtea, hard/soft/mate, wikiko artikulua kalitatearen estimazioarekin, ingelesezkoa...) *[https://zientzia.eus/bilaketa/?q=Igor+Leturia&selected_value= Informatikako artikuluak Elhuyar aldizkarian] (Igor Leturia, 117 artikulu) * [https://www.ehu.eus/ehusfera/e-makumeak/gaur8koak/ e-makumeak. Hileroko artikuluak Gaur8 astekarian] (120 artikulu) * [https://www.sarean.eus/ sarean.eus] (1.170 artikulu) * [https://wikimedia.eus/ikusgela/erronka-digitalak/ Erronka digitalak] bideo bilduma Euskal Wikipediako Ikusgelan (24 bideo) *[[w:Wikiproiektu:Informatika|''Informatika Wikiproiektua'']] (2020tik) ** [[w:Wikiproiektu:Informatika/Informatikako Artikuluak Hezkuntza proiektua (IKT)|Informatikako Artikuluak Hezkuntza proiektuan (IKT)]] ** [[w:Wikiproiektu:Informatika/Emakume informatikariak|Emakume informatikariak]] ** [[w:Wikiproiektu:Informatika/Informatikako artikuluak irakasgaika|Informatikako artikuluak irakasgaika]] ** [[w:Wikiproiektu:Informatika/Informatikako artikuluak Wikipedia guztiek izan beharreko 10.000 artikuluen zerrendan|Informatikako artikuluak Wikipedia guztiek izan beharreko 10.000 artikuluen zerrendan]] * [[Matematika Diskretua]] wikiliburua * [[PYTHON liburua|PYTHON]] wikiliburua == Egileak, lotutako artikuluak eta irudiak == * [[/Egileak/]] * [[/Lotutako artikuluak/]] * [[/Erabilitako irudiak/]] [[Kategoria:Informatika]] l61ktjjrg0grsezxzmw64od4sw3vf8i 43930 43928 2026-07-24T10:00:04Z ~2026-41320-29 2744 43930 wikitext text/x-wiki {{Lanean|Inaki.alegria}} : [[/SARRERA/]] (?) # [[Eredua|Nola idatzi? - Eredu bat]] == Lehen hamarkada (1976-1985) == # [[/DIF 1976-1985: DIF martxan - Eraikina/]] # [[/VAX makina, LISP makina/]] # [[/Datu-base erlazional/]] (BUKATUA 07-14) # [[/Gako publikoko kriptografia/]] # [[/Unix Sistema Eragilea/]] (BUKATUA 07-14) # [[/Ofimatika: testu-prozesadorea eta kalkulu-orria/]] (BUKATUA 07-14) # [[/Sare lokalak: Ethernet/]] # [[/Interfaze grafikoa/]] (BUKATUA 07-14) # [[/PC/]] (BUKATUA 07-14) # [[/RISC arkitektura/]] # [[/SMTP protokoloa/]] (BUKATUA 07-14) # [[/TCP/IP (Internet)/]] (BUKATUA 07-14) # [[/Laser inprimagailua/]] (BUKATUA 07-14) == Bigarren hamarkada (1986-1995) == # [[/DIF 1986-1995: Euskal lerroa sendotzen/]] (BUKATUA 07-14) # [[/GIF formatua/]] (BUKATUA 07-14) # [[/WWW/]] (BUKATUA 07-14) # [[/HTML/]] (BUKATUA 07-14) # [[/Linux kernela/]] (BUKATUA 07-14) # [[/Indargarri bidezko ikaskuntza/]] (TD-Gammon) # [[/Multimedia (MP3)/]] # [[/Java lengoaia/|Java lengoaia eta plataforma unibertsala]] # [[/JavaScript/]] # [[/SSH protokoloa/]] # [[/Python lengoaia/]] (BUKATUA 07-14) # [[/Klusterrak eta superkonputazioa/]] (BUKATUA 07-14) == Hirugarren hamarkada (1996-2005) == # [[/DIF 1996-2005: Ikerkuntzaren eztanda/]] # [[/USB busa eta Flash memoria/]] # [[/Wifi teknologia/]] # [[/PageRank algoritmoa (Google)/]] # [[/Bluetooth/]] (BUKATUA 07-14) # [[/BitTorrent Protokoloa/]] # [[/Web zerbitzuak/]] # [[/Sare sozialak/]] # [[/Nukleo anitzeko prozesadoreak/]] (BUKATUA 07-14) # [[/Web 2.0/]] # [[/Git/]] (BUKATUA 07-14) # [[/Streaming/]] # [[/3D (Errealitate birtual)/]] == Laugarren hamarkada (2006-2015) == # [[/DIF 2006-2015: Internazionalizazioa/]] # [[/Arduino, Robotika/]] (BUKATUA 07-14) # [[/Hodei konputazioa/]] # [[/Hadoop/]] (BUKATUA 07-14) # [[/SSD unitateak/]] # [[/Bloke-kateak (Blockchain)/]] (BUKATUA 07-14) # [[/NoSQL datu-baseak/]] (BUKATUA 07-14) # [[/Tableta/]] # [[/Sare neuronalen eztanda: Transformer, TensorFlow, GPU/]] # [[/AlphaGo (Deep Reinforcement Learning)/]] # [[/TensorFlow/]] # [[/GAN Sareak/]] == Bostgarren hamarkada (2016-2025) == # [[/DIF 2016-2025: Informatika Fakultateko Ikasketa-Planak/]] # [[/Docker teknologia/]] (BUKATUA 07-14) # [[/Bideokonferentzia sistemak/]] # [[/GPU/]] # [[/RISC-V/]] # [[/Itzulpen automatiko neuronala/]] # [[/5G sareak (segmentazioa)/]] (BUKATUA 07-14) # [[/ARM arkitektura/]] # [[/LLM ereduak (ChatGPT)/]] # [[/Konputazio kuantikoa/]] == Kanpo estekak == * [https://eu.wikipedia.org/wiki/Wikiproiektu:Informatika50 Wikilibururako teknologien zerrenda datu gehiagorekin] (arduraduna, urtea, hard/soft/mate, wikiko artikulua kalitatearen estimazioarekin, ingelesezkoa...) *[https://zientzia.eus/bilaketa/?q=Igor+Leturia&selected_value= Informatikako artikuluak Elhuyar aldizkarian] (Igor Leturia, 117 artikulu) * [https://www.ehu.eus/ehusfera/e-makumeak/gaur8koak/ e-makumeak. Hileroko artikuluak Gaur8 astekarian] (120 artikulu) * [https://www.sarean.eus/ sarean.eus] (1.170 artikulu) * [https://wikimedia.eus/ikusgela/erronka-digitalak/ Erronka digitalak] bideo bilduma Euskal Wikipediako Ikusgelan (24 bideo) *[[w:Wikiproiektu:Informatika|''Informatika Wikiproiektua'']] (2020tik) ** [[w:Wikiproiektu:Informatika/Informatikako Artikuluak Hezkuntza proiektua (IKT)|Informatikako Artikuluak Hezkuntza proiektuan (IKT)]] ** [[w:Wikiproiektu:Informatika/Emakume informatikariak|Emakume informatikariak]] ** [[w:Wikiproiektu:Informatika/Informatikako artikuluak irakasgaika|Informatikako artikuluak irakasgaika]] ** [[w:Wikiproiektu:Informatika/Informatikako artikuluak Wikipedia guztiek izan beharreko 10.000 artikuluen zerrendan|Informatikako artikuluak Wikipedia guztiek izan beharreko 10.000 artikuluen zerrendan]] * [[Matematika Diskretua]] wikiliburua * [[PYTHON liburua|PYTHON]] wikiliburua == Egileak, lotutako artikuluak eta irudiak == * [[/Egileak/]] * [[/Lotutako artikuluak/]] * [[/Erabilitako irudiak/]] [[Kategoria:Informatika]] nbnmnlh1mgdtpay9yva4yzwj3zeg5z9 0 7326 43929 43927 2026-07-24T09:27:02Z Ksarasola 1603 /* Erreferentziak */ 43929 wikitext text/x-wiki [[Fitxategi:Reinforcement_learning_diagram.svg|frame|eskuinera| Errefortzu bidezko ikasketaren irudikapen tipikoa: agente batek ingurune batean hartzen ditu ekintzak, eta ingurune horretatik sari bat eta egoeraren irudikapen bat jasotzen ditu. Informazio hori hurrengo ekintza aukeratzeko erabiltzen da.]] '''Errefortzu bidezko ikaskuntza''', '''indargarri bidezko ikaskuntza''', edo '''ikaskuntza indartua''' (ingelesez: reinforcement learning) [https://eu.wikipedia.org/wiki/Ikasketa_automatiko ikaskuntza automatikoaren] (AA) arlo bat da, psikologia konduktistan inspiratua.<ref>{{erreferentzia|abizena=Sutton|izena=Richard S.|abizena2=Barto|izena2=Andrew G.|izenburua=Reinforcement Learning: An Introduction|argitaletxea=MIT Press|argitalpen-lekua=Cambridge, MA|edizioa=2|urtea=2018|url=http://incompleteideas.net/book/the-book-2nd.html}}</ref> Arlo hontan, agente batek ingurune jakin batean hartuko dituen ekintzak ikastea da helburua. Zehazki, agentearen ekintza bakoitzaren kalitatea "sari" edo irabazi seinale batekin neurtzen da, helburua denboran zehar sari hau maximizatzea da. Ikasketa gainbegiratuan ez bezala, errefortzu bidezko ikasketan agenteak hartu beharreko ekintza optimoak ez dira aurrez ezagutu behar: proba eta akats bidez aurkitu eta ikasi behar dira. Ekintzen kalitatea neurtzen duen seinale bat ezagutzearekin nahikoa da algoritmo hauek aplikatzeko. Berezitasun honek, errefortzu bidezko ikasketa beste ikasketa mota batzuk ezinezkoak diren arloetara aplikatzea ahalbidetzen du. Adibidez, [https://eu.wikipedia.org/wiki/Go Go] partida batean, ezinezkoa da akzio optimo bakoitza zein den jakitea, baina akzio batek partida irabazi edo galtzera eraman gaituen erraz jakin daiteke. Beraz, errefortzu bidezko ikasketan, partidaren emaitza sari moduan erabili daiteke. Horrelako ezaugarriak dituzten problema asko egoteak, errefortzu bidezko ikasketa azken hamarkadetako AA aurrerapen askoren atzean egoteak eraman du. Adibidez, matrizeak biderkatzeko algoritmo azkarragoak topatzea<ref>{{erreferentzia|abizena=Fawzi|izena=Alhussein|abizena2=Balog|izena2=Matej|abizena3=Huang|izena3=Aidan|eta=et al.|izenburua=Discovering faster matrix multiplication algorithms with reinforcement learning|aldizkaria=Nature|urtea=2022|lib=610|zenbakia=7930|orriak=47–53|doi=10.1038/s41586-022-05172-4}}</ref>, proteinen estruktura aurreikustea<ref>{{erreferentzia|abizena=Jumper|izena=John|abizena2=Evans|izena2=Richard|abizena3=Pritzel|izena3=Alexander|eta=et al.|izenburua=Highly accurate protein structure prediction with AlphaFold|aldizkaria=Nature|urtea=2021|lib=596|zenbakia=7873|orriak=583–589|doi=10.1038/s41586-021-03819-2}}</ref>, edo bideo-joko askotan gizakiak baina hobeto jolastea<ref>{{erreferentzia|abizena=Mnih|izena=Volodymyr|abizena2=Kavukcuoglu|izena2=Koray|abizena3=Silver|izena3=David|eta=et al.|izenburua=Human-level control through deep reinforcement learning|aldizkaria=Nature|urtea=2015|lib=518|zenbakia=7540|orriak=529–533|doi=10.1038/nature14236}}</ref>. Arazoa orokorra denez, beste diziplina askotan aztertu eta erabili da, hala nola [https://eu.wikipedia.org/wiki/Joko-teoria joko-teoria], [https://eu.wikipedia.org/wiki/Kontrolaren_teoria kontrolaren teoria], [https://eu.wikipedia.org/wiki/Ikerkuntza_eragilea ikerkuntza eragilea], [https://eu.wikipedia.org/wiki/Hizkuntzaren_prozesamendu hizkuntzaren prozesamendua], [https://eu.wikipedia.org/wiki/Informazio-teoria informazio-teoria], simulazioetan oinarritutako optimizazioa, [https://eu.wikipedia.org/wiki/Estatistika estatistika] eta [https://eu.wikipedia.org/wiki/Algoritmo_genetiko eboluzioan oinarritutako algoritmoak]. ==Sarrera== Errefortzu bidezko ikasketaren problema Markoven erabaki-prozesu (MDP) gisa formulatzen da normalean. MDP batek honakoa oinarrizko elementuz osatua dago (xake jokuarentzako adibidearekin): 1. Ingurunearen egoeren multzoa <math>\mathcal{S}</math> (adib., xake tablak izan ditzazkeen konfigurazio guztien multzoa). 2. Ekintzen multzoa <math>\mathcal{A}</math> (adib., xakean egin daitezken mugimenduen multzoa). 3. Trantsizio funtzioa <math>p(s_{t+1} \mid s_t, a_t)</math> (adib., aurkariak sortuko duen hurrengo xake tableroaren probabilitatea). 4. Sari funtzioa <math>r(s_t, a_t)</math> (adib., partida irabazteko probabilitea azken ekintza egin eta gero). Agentea, uneko egoera <math>s_t</math> emanda hurrengo ekintza zein izango den aukeratu behar du. Ohiko formulazioa jarraituz, agentea, uneko egoerarekin kondizionatutako akzioen gaineko banaketa baten bidez modelatzen da, hau da, <math>\pi(a_t \mid s_t)</math>. Testuinguru hontan, <math>\pi(a_t \mid s_t)</math> funtzioari politika deitzen zaio ere. Aipatzekoa da, bai trantsizio funtzioa (ingurunea) eta bai agentea estokastikoak izan daitezkela, hau da, ez dira deterministak izan behar beti. Beraz, <math>s_0</math> denboran hasita eta hurrengo <math>t</math> guztientzako, ingurunearen hurrengo egoera <math>s_{t+1}</math> lagintzen da trantsizio funtziotik, egoera hontan oinarrituta, agenteak uneko ekintza lagintzen du <math>a_{t+1}</math>, eta sari seinalea kalkulatzen da <math>r_{t+1} = r(s_{t+1}, a_{t+1})</math>. Errefortzu bidezko ikasketaren helburua sari <math>r</math> seinalea denboran zehar maximizatzea da. Denboran zehar metatzen den sari honi, irabazi totala <math>G</math> deitzen zaio: <math> G = \sum_{t=0}^{H} \gamma^t R_{t+1} </math> Non, <math>R_{t+1}</math> agenteak <math>t+1</math> unean lortutako sariaren ausazko aldagaia den eta <math>0 \geq \gamma \leq 1</math> deskontu-faktorea deritzon eskalarra den. Azkeneko kontzeptu hau ekonomiatik eratorria da, eta uneko saria etorkizuneko saria baina garrantzia gehiago duela kodifikatzen du. Azkenik, <math>H</math> azken pausua (pausuei ere interakzio deitzen zaie) zein den adierazten du. Errefortzu bidezko ikasketan, hasieratik <math>t=0</math> hasita, interakzioak amaitzen diren arteko denborari, episodio deitzen zaio. Xakearen adibidearekin jarraitzen, episodio bat xake partida oso bati deritzaio. ===Optimotasuna=== Aurreko definizioei jarraituz, agente optimoa <math>\pi^*</math> espero den irabazi totala maximizatzen duen politika da. Formalki, <math> \pi^* = \arg\max_\pi \mathbb{E}[G \mid \pi]. </math> Esperantza erabiltzen da, bai ingurunea bai politika estokastikoak izan daitezkelako. Gogoratu, praktikan agenteak ez duela ez trantsizio-funtzioa ezta sari-funtzioa ezagutzen: ingurunean egiten dituen ekintzen bitartez ikasi behar du. Politika baten kalitatea neurtzeko bi funtzio erabiltzen dira. Lehenengoa egoera-balioaren funtzioa da: <math> v_\pi(s)=\mathbb{E}[G_t \mid S_t=s,\pi], </math> hau da, egoera jakin batean hasi eta <math>\pi</math> agentea jarraituz espero den irabazi totala. Bigarrena ekintza-balioaren funtzioa da: <math> q_\pi(s,a)=\mathbb{E}[G_t \mid S_t=s, A_t=a,\pi], </math> hau da, <math>a</math> ekintza <math>s</math> egoeran egin ondoren <math>\pi</math> agentea jarraituz espero den irabazi totala. Balio-funtzio horiek ezagututa, egoera bakoitzean balio handiena duen ekintza aukeratuz politika hobeak eraiki daitezke. Hori dela eta, errefortzu bidezko ikaskuntzako algoritmo gehienak agente optimoa zuzenean ikasi edo haren balio-funtzioak estimatzen saitzen dira. Bi paradigma hauek, errefortzu bidezko ikasketaren bi adar nagusiak definitzen dituzte. ==Ikasketa metodoak== Errefortzu bidezko ikasketako algoritmoak bi familia nagusitan sailkatu ohi dira: '''balioetan oinarritutako metodoak''' (''value-based methods'') eta '''politikan oinarritutako metodoak''' (''policy-based methods''). Balioetan oinarritutako metodoek egoera edo ekintza bakoitzaren balioa estimatzen dute, eta balio handiena duen ekintza aukeratuz erabakitzen dute nola jokatu. Familia honetako algoritmo ezagunenak [[Q-learning]]<ref>{{erreferentzia|abizena=Watkins|izena=Christopher J. C. H.|abizena2=Dayan|izena2=Peter|izenburua=Q-learning|aldizkaria=Machine Learning|urtea=1992|lib=8|zenbakia=3–4|orriak=279–292|doi=10.1007/BF00992698}}</ref> eta [[SARSA]]<ref>{{erreferentzia|abizena=Rummery|izena=Gavin A.|abizena2=Niranjan|izena2=Mahesan|izenburua=On-line Q-learning using connectionist systems|urtea=1994}}</ref> dira. Azken urteetan, ikuspegi hau [https://eu.wikipedia.org/wiki/Neurona-sare_artifizial sare neuronal sakonekin] konbinatzeak '''Deep Q-Network''' (DQN) algoritmoa ekarri zuen, [https://eu.wikipedia.org/wiki/Atari_2600 Atari] bideo-joko askotan giza mailako errendimendua lortu zuena.<ref>{{erreferentzia|abizena=Mnih|izena=Volodymyr|eta=et al.|izenburua=Human-level control through deep reinforcement learning|aldizkaria=Nature|urtea=2015|lib=518|zenbakia=7540|orriak=529–533|doi=10.1038/nature14236}}</ref> Politikan oinarritutako metodoek, aldiz, ez dute balio-funtzio batetik ekintzarik ondorioztatzen eta zuzenean ikasten dute egoera bakoitzean zer ekintza aukeratu behar den. Ikuspegi hau bereziki erabilgarria da ekintza-espazioa jarraitua (adib., beso robotiko baten artikulazioak mugitzea) denean. Familia honetako algoritmo ezagunenak '''REINFORCE'''<ref>{{erreferentzia|abizena=Williams|izena=Ronald J.|izenburua=Simple statistical gradient-following algorithms for connectionist reinforcement learning|aldizkaria=Machine Learning|urtea=1992|lib=8|zenbakia=3–4|orriak=229–256|doi=10.1007/BF00992696}}</ref>, '''Trust Region Policy Optimization''' (TRPO)<ref>{{erreferentzia|abizena=Schulman|izena=John|eta=et al.|izenburua=Trust Region Policy Optimization|urtea=2015|eprint=1502.05477}}</ref> eta '''Proximal Policy Optimization''' (PPO) <ref>{{erreferentzia|abizena=Schulman|izena=John|eta=et al.|izenburua=Proximal Policy Optimization Algorithms|urtea=2017|eprint=1707.06347}}</ref> dira, azkenekoa gaur egun gehien erabiltzen diren algoritmoetako bat izanda. Praktikan, algoritmo moderno askok bi ikuspegi hauek konbinatzen dituzte. '''Actor–critic''' izeneko metodoetan, osagai batek politika ikasten du (''actor''), eta beste batek hartutako ekintzen kalitatea ebaluatzen du (''critic'').<ref>{{erreferentzia|abizena=Konda|izena=Vijay R.|abizena2=Tsitsiklis|izena2=John N.|izenburua=Actor-Critic Algorithms|urtea=2000}}</ref>. ==Erreferentziak== {{erreferentzia zerrenda}} lw6iid8d1ivikms6ji82cghhqfshoo4 43932 43929 2026-07-24T10:12:12Z Ksarasola 1603 /* Sarrera */ esteka 43932 wikitext text/x-wiki [[Fitxategi:Reinforcement_learning_diagram.svg|frame|eskuinera| Errefortzu bidezko ikasketaren irudikapen tipikoa: agente batek ingurune batean hartzen ditu ekintzak, eta ingurune horretatik sari bat eta egoeraren irudikapen bat jasotzen ditu. Informazio hori hurrengo ekintza aukeratzeko erabiltzen da.]] '''Errefortzu bidezko ikaskuntza''', '''indargarri bidezko ikaskuntza''', edo '''ikaskuntza indartua''' (ingelesez: reinforcement learning) [https://eu.wikipedia.org/wiki/Ikasketa_automatiko ikaskuntza automatikoaren] (AA) arlo bat da, psikologia konduktistan inspiratua.<ref>{{erreferentzia|abizena=Sutton|izena=Richard S.|abizena2=Barto|izena2=Andrew G.|izenburua=Reinforcement Learning: An Introduction|argitaletxea=MIT Press|argitalpen-lekua=Cambridge, MA|edizioa=2|urtea=2018|url=http://incompleteideas.net/book/the-book-2nd.html}}</ref> Arlo hontan, agente batek ingurune jakin batean hartuko dituen ekintzak ikastea da helburua. Zehazki, agentearen ekintza bakoitzaren kalitatea "sari" edo irabazi seinale batekin neurtzen da, helburua denboran zehar sari hau maximizatzea da. Ikasketa gainbegiratuan ez bezala, errefortzu bidezko ikasketan agenteak hartu beharreko ekintza optimoak ez dira aurrez ezagutu behar: proba eta akats bidez aurkitu eta ikasi behar dira. Ekintzen kalitatea neurtzen duen seinale bat ezagutzearekin nahikoa da algoritmo hauek aplikatzeko. Berezitasun honek, errefortzu bidezko ikasketa beste ikasketa mota batzuk ezinezkoak diren arloetara aplikatzea ahalbidetzen du. Adibidez, [https://eu.wikipedia.org/wiki/Go Go] partida batean, ezinezkoa da akzio optimo bakoitza zein den jakitea, baina akzio batek partida irabazi edo galtzera eraman gaituen erraz jakin daiteke. Beraz, errefortzu bidezko ikasketan, partidaren emaitza sari moduan erabili daiteke. Horrelako ezaugarriak dituzten problema asko egoteak, errefortzu bidezko ikasketa azken hamarkadetako AA aurrerapen askoren atzean egoteak eraman du. Adibidez, matrizeak biderkatzeko algoritmo azkarragoak topatzea<ref>{{erreferentzia|abizena=Fawzi|izena=Alhussein|abizena2=Balog|izena2=Matej|abizena3=Huang|izena3=Aidan|eta=et al.|izenburua=Discovering faster matrix multiplication algorithms with reinforcement learning|aldizkaria=Nature|urtea=2022|lib=610|zenbakia=7930|orriak=47–53|doi=10.1038/s41586-022-05172-4}}</ref>, proteinen estruktura aurreikustea<ref>{{erreferentzia|abizena=Jumper|izena=John|abizena2=Evans|izena2=Richard|abizena3=Pritzel|izena3=Alexander|eta=et al.|izenburua=Highly accurate protein structure prediction with AlphaFold|aldizkaria=Nature|urtea=2021|lib=596|zenbakia=7873|orriak=583–589|doi=10.1038/s41586-021-03819-2}}</ref>, edo bideo-joko askotan gizakiak baina hobeto jolastea<ref>{{erreferentzia|abizena=Mnih|izena=Volodymyr|abizena2=Kavukcuoglu|izena2=Koray|abizena3=Silver|izena3=David|eta=et al.|izenburua=Human-level control through deep reinforcement learning|aldizkaria=Nature|urtea=2015|lib=518|zenbakia=7540|orriak=529–533|doi=10.1038/nature14236}}</ref>. Arazoa orokorra denez, beste diziplina askotan aztertu eta erabili da, hala nola [https://eu.wikipedia.org/wiki/Joko-teoria joko-teoria], [https://eu.wikipedia.org/wiki/Kontrolaren_teoria kontrolaren teoria], [https://eu.wikipedia.org/wiki/Ikerkuntza_eragilea ikerkuntza eragilea], [https://eu.wikipedia.org/wiki/Hizkuntzaren_prozesamendu hizkuntzaren prozesamendua], [https://eu.wikipedia.org/wiki/Informazio-teoria informazio-teoria], simulazioetan oinarritutako optimizazioa, [https://eu.wikipedia.org/wiki/Estatistika estatistika] eta [https://eu.wikipedia.org/wiki/Algoritmo_genetiko eboluzioan oinarritutako algoritmoak]. ==Sarrera== [[w:Indargarri bidezko ikaskuntza|Errefortzu bidezko ikasketa]] automatikoaren problema Markoven erabaki-prozesu (MDP) gisa formulatzen da normalean. MDP batek honakoa oinarrizko elementuz osatua dago (xake jokuarentzako adibidearekin): #Ingurunearen egoeren multzoa <math>\mathcal{S}</math> (adib., xake tablak izan ditzazkeen konfigurazio guztien multzoa). #Ekintzen multzoa <math>\mathcal{A}</math> (adib., xakean egin daitezken mugimenduen multzoa). #Trantsizio funtzioa <math>p(s_{t+1} \mid s_t, a_t)</math> (adib., aurkariak sortuko duen hurrengo xake tableroaren probabilitatea). #Sari funtzioa <math>r(s_t, a_t)</math> (adib., partida irabazteko probabilitea azken ekintza egin eta gero). Agentea, uneko egoera <math>s_t</math> emanda hurrengo ekintza zein izango den aukeratu behar du. Ohiko formulazioa jarraituz, agentea, uneko egoerarekin kondizionatutako akzioen gaineko banaketa baten bidez modelatzen da, hau da, <math>\pi(a_t \mid s_t)</math>. Testuinguru hontan, <math>\pi(a_t \mid s_t)</math> funtzioari politika deitzen zaio ere. Aipatzekoa da, bai trantsizio funtzioa (ingurunea) eta bai agentea estokastikoak izan daitezkela, hau da, ez dira deterministak izan behar beti. Beraz, <math>s_0</math> denboran hasita eta hurrengo <math>t</math> guztientzako, ingurunearen hurrengo egoera <math>s_{t+1}</math> lagintzen da trantsizio funtziotik, egoera hontan oinarrituta, agenteak uneko ekintza lagintzen du <math>a_{t+1}</math>, eta sari seinalea kalkulatzen da <math>r_{t+1} = r(s_{t+1}, a_{t+1})</math>. Errefortzu bidezko ikasketaren helburua sari <math>r</math> seinalea denboran zehar maximizatzea da. Denboran zehar metatzen den sari honi, irabazi totala <math>G</math> deitzen zaio: <math> G = \sum_{t=0}^{H} \gamma^t R_{t+1} </math> Non, <math>R_{t+1}</math> agenteak <math>t+1</math> unean lortutako sariaren ausazko aldagaia den eta <math>0 \geq \gamma \leq 1</math> deskontu-faktorea deritzon eskalarra den. Azkeneko kontzeptu hau ekonomiatik eratorria da, eta uneko saria etorkizuneko saria baina garrantzia gehiago duela kodifikatzen du. Azkenik, <math>H</math> azken pausua (pausuei ere interakzio deitzen zaie) zein den adierazten du. Errefortzu bidezko ikasketan, hasieratik <math>t=0</math> hasita, interakzioak amaitzen diren arteko denborari, episodio deitzen zaio. Xakearen adibidearekin jarraitzen, episodio bat xake partida oso bati deritzaio. ===Optimotasuna=== Aurreko definizioei jarraituz, agente optimoa <math>\pi^*</math> espero den irabazi totala maximizatzen duen politika da. Formalki, <math> \pi^* = \arg\max_\pi \mathbb{E}[G \mid \pi]. </math> Esperantza erabiltzen da, bai ingurunea bai politika estokastikoak izan daitezkelako. Gogoratu, praktikan agenteak ez duela ez trantsizio-funtzioa ezta sari-funtzioa ezagutzen: ingurunean egiten dituen ekintzen bitartez ikasi behar du. Politika baten kalitatea neurtzeko bi funtzio erabiltzen dira. Lehenengoa egoera-balioaren funtzioa da: <math> v_\pi(s)=\mathbb{E}[G_t \mid S_t=s,\pi], </math> hau da, egoera jakin batean hasi eta <math>\pi</math> agentea jarraituz espero den irabazi totala. Bigarrena ekintza-balioaren funtzioa da: <math> q_\pi(s,a)=\mathbb{E}[G_t \mid S_t=s, A_t=a,\pi], </math> hau da, <math>a</math> ekintza <math>s</math> egoeran egin ondoren <math>\pi</math> agentea jarraituz espero den irabazi totala. Balio-funtzio horiek ezagututa, egoera bakoitzean balio handiena duen ekintza aukeratuz politika hobeak eraiki daitezke. Hori dela eta, errefortzu bidezko ikaskuntzako algoritmo gehienak agente optimoa zuzenean ikasi edo haren balio-funtzioak estimatzen saitzen dira. Bi paradigma hauek, errefortzu bidezko ikasketaren bi adar nagusiak definitzen dituzte. ==Ikasketa metodoak== Errefortzu bidezko ikasketako algoritmoak bi familia nagusitan sailkatu ohi dira: '''balioetan oinarritutako metodoak''' (''value-based methods'') eta '''politikan oinarritutako metodoak''' (''policy-based methods''). Balioetan oinarritutako metodoek egoera edo ekintza bakoitzaren balioa estimatzen dute, eta balio handiena duen ekintza aukeratuz erabakitzen dute nola jokatu. Familia honetako algoritmo ezagunenak [[Q-learning]]<ref>{{erreferentzia|abizena=Watkins|izena=Christopher J. C. H.|abizena2=Dayan|izena2=Peter|izenburua=Q-learning|aldizkaria=Machine Learning|urtea=1992|lib=8|zenbakia=3–4|orriak=279–292|doi=10.1007/BF00992698}}</ref> eta [[SARSA]]<ref>{{erreferentzia|abizena=Rummery|izena=Gavin A.|abizena2=Niranjan|izena2=Mahesan|izenburua=On-line Q-learning using connectionist systems|urtea=1994}}</ref> dira. Azken urteetan, ikuspegi hau [https://eu.wikipedia.org/wiki/Neurona-sare_artifizial sare neuronal sakonekin] konbinatzeak '''Deep Q-Network''' (DQN) algoritmoa ekarri zuen, [https://eu.wikipedia.org/wiki/Atari_2600 Atari] bideo-joko askotan giza mailako errendimendua lortu zuena.<ref>{{erreferentzia|abizena=Mnih|izena=Volodymyr|eta=et al.|izenburua=Human-level control through deep reinforcement learning|aldizkaria=Nature|urtea=2015|lib=518|zenbakia=7540|orriak=529–533|doi=10.1038/nature14236}}</ref> Politikan oinarritutako metodoek, aldiz, ez dute balio-funtzio batetik ekintzarik ondorioztatzen eta zuzenean ikasten dute egoera bakoitzean zer ekintza aukeratu behar den. Ikuspegi hau bereziki erabilgarria da ekintza-espazioa jarraitua (adib., beso robotiko baten artikulazioak mugitzea) denean. Familia honetako algoritmo ezagunenak '''REINFORCE'''<ref>{{erreferentzia|abizena=Williams|izena=Ronald J.|izenburua=Simple statistical gradient-following algorithms for connectionist reinforcement learning|aldizkaria=Machine Learning|urtea=1992|lib=8|zenbakia=3–4|orriak=229–256|doi=10.1007/BF00992696}}</ref>, '''Trust Region Policy Optimization''' (TRPO)<ref>{{erreferentzia|abizena=Schulman|izena=John|eta=et al.|izenburua=Trust Region Policy Optimization|urtea=2015|eprint=1502.05477}}</ref> eta '''Proximal Policy Optimization''' (PPO) <ref>{{erreferentzia|abizena=Schulman|izena=John|eta=et al.|izenburua=Proximal Policy Optimization Algorithms|urtea=2017|eprint=1707.06347}}</ref> dira, azkenekoa gaur egun gehien erabiltzen diren algoritmoetako bat izanda. Praktikan, algoritmo moderno askok bi ikuspegi hauek konbinatzen dituzte. '''Actor–critic''' izeneko metodoetan, osagai batek politika ikasten du (''actor''), eta beste batek hartutako ekintzen kalitatea ebaluatzen du (''critic'').<ref>{{erreferentzia|abizena=Konda|izena=Vijay R.|abizena2=Tsitsiklis|izena2=John N.|izenburua=Actor-Critic Algorithms|urtea=2000}}</ref>. ==Erreferentziak== {{erreferentzia zerrenda}} h4fhki3k0uiuwmfx7edr6z5y8oj6p6t 0 7327 43931 2026-07-24T10:04:49Z ~2026-41320-29 2744 Orria sortu da. Edukia: = 2015: TensorFlow = '''TensorFlow''' [[kode irekiko software]]-liburutegi bat da, [[ikaskuntza automatikoa]]ko ereduak sortu, entrenatu eta exekutatzeko erabiltzen dena. Eredu horiek [[adimen artifiziala]]ren sistemak dira, datuetatik ataza konplexuak automatikoki ebazten ikasteko ahalmena dutenak, programatzaile batek idatzitako arauak soilik jarraitu beharrean. TensorFlow batez ere [[neurona-sare sakon]]ak garatzeko erabiltzen da. Horiek, giza garuneko neuronen... 43931 wikitext text/x-wiki = 2015: TensorFlow = '''TensorFlow''' [[kode irekiko software]]-liburutegi bat da, [[ikaskuntza automatikoa]]ko ereduak sortu, entrenatu eta exekutatzeko erabiltzen dena. Eredu horiek [[adimen artifiziala]]ren sistemak dira, datuetatik ataza konplexuak automatikoki ebazten ikasteko ahalmena dutenak, programatzaile batek idatzitako arauak soilik jarraitu beharrean. TensorFlow batez ere [[neurona-sare sakon]]ak garatzeko erabiltzen da. Horiek, giza garuneko neuronen antolaketan modu sinplifikatuan inspiratutako egitura matematikoak dira. [[Google]]k garatu zuen, eta 2015ean argitaratu zen. TensorFlowren agerpena bat etorri zen [[ikaskuntza sakon]]aren hedapenarekin. Ikaskuntza sakona ikaskuntza automatikoaren adar bat da, geruza ugariko neurona-sareetan oinarritua. Garai hartan, sare horiek emaitza onak lortzen hasi ziren irudien ezagutzan, hizkuntzaren prozesamenduan eta ahotsaren analisian. Hala ere, haien entrenamenduak eragiketa matematiko ugari eta hainbat prozesadoreren arteko koordinazioa eskatzen zuen. TensorFlowk kalkulu horiek antolatu eta exekutatzeko azpiegitura bateratu bat eskaini zuen. == Funtzionamendua == ''TensorFlow'' izena ingelesezko ''tensor'' («ten tsorea») eta ''flow'' («fluxua») hitzetatik dator. [[Tentsore]] bat dimentsio batean edo gehiagotan datu zenbakizkoak adierazten dituen egitura matematikoa da. Zenbaki bat, balioen zerrenda bat edo taula bat dimentsio desberdinetako tentsoretzat har daitezke. Ikaskuntza automatikoan, irudiak, soinuak, hitzak eta bestelako informazio motak mota horretako adierazpen zenbakizko bihurtzen dira. TensorFlowk tentsore batzuk beste tentsore batzuetan bihurtzen dituzten eragiketa matematikoak definitzea ahalbidetzen du. Eragiketa horietako asko elkartuta, eredu bat eraikitzen da. Ereduak sarrerako datuak jasotzen ditu, kalkulu-segida baten bidez prozesatzen ditu, eta emaitza bat sortzen du, hala nola sailkapen bat edo iragarpen bat. Neurona-sare sakon batean, eragiketak geruzatan antolatzen dira. Geruza bakoitzak aurrekoaren informazioa jasotzen du, eraldatu egiten du, eta emaitza hurrengo geruzari transmititzen dio. Lehen geruzek ezaugarri sinpleak hauteman ditzakete; ondorengoek, berriz, ezaugarri horiek konbinatzen dituzte eredu konplexuagoak identifikatzeko. Irudiak ezagutzeko sistema batean, adibidez, geruza batzuek ertzak eta formak identifika ditzakete, eta beste batzuek elementu horiek objektu osoekin lotu. == Ereduen entrenamendua == Entrenamendua eredu batek bere parametroak adibideetatik abiatuta doitzen dituen prozesua da. Katuen eta txakurren irudiak bereizteko sistema batean, entrenamendu-multzoak dagokien kategoriaren etiketa duten argazkiak biltzen ditu. Ereduak irudi bakoitza prozesatzen du eta iragarpen bat egiten du. Ondoren, iragarpen hori espero den emaitzarekin alderatzen da, eta errorea kalkulatzen da. TensorFlowk errore hori murrizteko behar diren eragiketa gehienak automatizatzen ditu. Ereduaren barne-parametroak pixkanaka aldatzen dira, eta prozesua adibide askorekin errepikatzen da zehaztasun-maila jakin batera iritsi arte. Behin entrenatuta, sistema hasierako datuetan ez zeuden irudiei aplika dakieke. Horrek ez du esan nahi programak irudiak pertsona batek bezala ulertzen dituenik. Ereduak datuetan dauden erregulartasun estatistikoak identifikatzen ditu, eta horiek erabiltzen ditu emaitzak sortzeko. Bere portaera sarearen diseinuaren, entrenamendu-metodoaren eta erabilitako adibideen kalitatearen araberakoa da. == Garrantzia == TensorFlowren ekarpen nagusia ikaskuntza automatikoko sistemak garatzeko beharrezkoak diren hainbat zeregin plataforma bakarrean biltzea izan zen. Ereduak definitzea, entrenatzea, kalkuluak hainbat prozesadoreren artean banatzea eta aplikazio errealetan erabiltzeko prestatzea ahalbidetzen zuen. Era berean, erabilera orokorreko prozesadoreak, prozesamendu grafikoko unitateak (GPUak) eta hainbat ordenagailuz osatutako sistemak baliatzeko gai zen. Gaitasun hori bereziki garrantzitsua zen neurona-sare sakonentzat, haien entrenamenduak milioika eragiketa eta datu-kopuru handiak eska baititzake. Eredu bat ordenagailu pertsonal batean garatzen has zitekeen, eta gero azpiegitura indartsuagoetara eraman, programatzeko modua erabat aldatu beharrik gabe. TensorFlow kode irekiko software gisa argitaratzeak ordura arte batez ere enpresa handiek eta ikerketa-zentroek erabiltzen zituzten tresnak eskuragarriago bihurtu zituen. Ikertzaileek, ikasleek eta garatzaileek azpiegitura bera erabili, haren funtzionamendua aztertu eta hedapen berriak sortu ahal izan zituzten. Proiektuaren erabilgarritasun publikoak dokumentazioa eta material didaktikoak garatzea ere bultzatu zuen. TensorFlowk ikerketa akademikoaren eta aplikazio praktikoen garapenaren arteko aldea murrizten lagundu zuen. [[Ikusmen artifizial]]ean, ahots-ezagutzan, [[itzulpen automatiko]]an, testuen analisian, robotikan eta medikuntzan erabili izan da. Haren hedapena bat etorri zen ikaskuntza automatikoa produktu eta zerbitzu digital ugaritan txertatzearekin. Historikoki, TensorFlowren garrantzia datuetatik ikasteko gai diren adimen artifizialeko ereduak eraikitzea erraztu izanarekin lotzen da. TensorFlowk ez zituen neurona-sareak asmatu, baina haiek garatzeko eta modu zabalagoan aplikatzeko aukera eman zuen azpiegitura ireki eta eskalagarri bat eskaini zuen. fa7zpxt81y64fjcy4filqjuf5o43c5c 43933 43931 2026-07-24T10:35:43Z ~2026-41320-29 2744 43933 wikitext text/x-wiki = 2015: TensorFlow = '''TensorFlow''' [[kode irekiko software]]-liburutegi bat da, [[ikaskuntza automatikoa]]ko ereduak sortu, entrenatu eta exekutatzeko erabiltzen dena.<ref>[https://www.tensorflow.org/ TensorFlow - webgune ofiziala]</ref><ref>Abadi, M. et al. (2016). ''TensorFlow: A System for Large-Scale Machine Learning''. 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16), 265–283. USENIX Association.</ref> Eredu horiek [[adimen artifiziala]]ren sistemak dira, datuetatik ataza konplexuak automatikoki ebazten ikasteko ahalmena dutenak, programatzaile batek idatzitako arauak soilik jarraitu beharrean. [[Google]]k garatu zuen, eta 2015ean argitaratu zen jendaurrean. TensorFlowren agerpena bat etorri zen [[ikaskuntza sakon]]aren hedapenarekin. Ikaskuntza sakona ikaskuntza automatikoaren adar bat da, geruza ugariko neurona-sareetan<ref>LeCun, Y.; Bengio, Y.; Hinton, G. (2015). ''Deep learning''. Nature, 521, 436–444. DOI: 10.1038/nature14539.</ref> (giza garuneko neuronen antolaketan modu sinplifikatuan inspiratutako eredu matematikoak) oinarritua.<ref>Goodfellow, I.; Bengio, Y.; Courville, A. (2016). ''Deep Learning''. MIT Press.</ref> Garai hartan, sare horiek emaitza onak lortzen hasi ziren irudien ezagutzan, hizkuntzaren prozesamenduan eta ahotsaren analisian, adibidez. Hala ere, haien entrenamenduak eragiketa matematiko ugari eta hainbat prozesadoreren arteko koordinazioa eskatzen zuen. TensorFlowk kalkulu horiek antolatu eta exekutatzeko azpiegitura bateratu bat eskaini zuen. Horrek ikerketa, eredu berrien garapena eta ikaskuntza automatikoaren aplikazio praktikoa bizkortu zituen, bai unibertsitateetan bai industrian. == Funtzionamendua == ''TensorFlow'' izena ingelesezko ''tensor'' («tentsorea») eta ''flow'' («fluxua») hitzetatik dator. [[Tentsore]] bat dimentsio batean edo gehiagotan datu zenbakizkoak adierazten dituen egitura matematikoa da. Zenbaki bakar bat dimentsiorik gabeko (0 dimentsioko) tentsorea da; balioen zerrenda bat dimentsio bateko (1D) tentsorea da; eta taula bat bi dimentsioko (2D) tentsorea. Irudi digital bat, adibidez, normalean hiru dimentsioko (3D) tentsore gisa adierazten da: altuera × zabalera × kanal kopurua (pixelen kolore-osagaiak, adibidez gorria, berdea eta urdina). Ikaskuntza automatikoan, irudiak, soinuak, hitzak eta bestelako informazio motak horrelako adierazpen zenbakizko bihurtzen dira. TensorFlowk tentsore batzuk beste tentsore batzuetan bihurtzen dituzten eragiketa matematikoak definitzea ahalbidetzen du. Eragiketa horietako asko elkartuta, eredu bat eraikitzen da. Ereduak sarrerako datuak jasotzen ditu, kalkulu-segida baten bidez prozesatzen ditu, eta emaitza bat sortzen du, hala nola sailkapen bat edo iragarpen bat. TensorFlowk, gainera, ereduak entrenatzeko behar diren tresnak eskaintzen ditu. Eredu bat entrenatzea datuetatik ikas dezan haren barne-parametroak pixkanaka doitzea da. Garatzaileak kalkulu-grafoa eta ikasketa-metodoa zehazten ditu; TensorFlowk, berriz, parametro horiek eguneratzeko eta errorea murrizteko behar diren kalkulu matematikoak automatikoki egiteko baliabideak eskaintzen ditu. Horri esker, ikaskuntza automatikoko sistema konplexuak garatzea eta entrenatzea errazagoa da. Adibidez, katuen eta txakurren irudiak bereizteko sistema batean, entrenamendu-multzoak dagokien kategoriaren etiketa duten argazkiak biltzen ditu. Ereduak irudi bakoitza prozesatzen du eta iragarpen bat egiten du. Ondoren, iragarpen hori espero den emaitzarekin alderatzen da, eta errorea kalkulatzen da. TensorFlowk errore hori murrizteko behar diren eragiketa gehienak automatizatzen ditu. Ereduaren barne-parametroak pixkanaka aldatzen dira, eta prozesua adibide askorekin errepikatzen da zehaztasun-maila jakin batera iritsi arte. Behin entrenatuta, sistema hasierako datuetan ez zeuden irudiei aplika dakieke. == Garrantzia == TensorFlowren ekarpen nagusia ikaskuntza automatikoko sistemak garatzeko beharrezkoak diren hainbat zeregin plataforma bakarrean biltzea izan zen. Ereduak definitzea, entrenatzea, kalkuluak hainbat prozesadoreren artean banatzea eta aplikazio errealetan erabiltzeko prestatzea ahalbidetzen zuen. Era berean, erabilera orokorreko prozesadoreak, prozesamendu grafikoko unitateak (GPUak) eta hainbat ordenagailuz osatutako sistemak baliatzeko gai zen. Gaitasun hori bereziki garrantzitsua zen neurona-sare sakonentzat, haien entrenamenduak milioika eragiketa eta datu-kopuru handiak eska baititzake. Eredu bat ordenagailu pertsonal batean garatzen has zitekeen, eta gero azpiegitura indartsuagoetara eraman, programatzeko modua erabat aldatu beharrik gabe. TensorFlow kode irekiko software gisa argitaratzeak ordura arte batez ere enpresa handiek eta ikerketa-zentroek erabiltzen zituzten tresnak eskuragarriago bihurtu zituen. Ikertzaileek, ikasleek eta garatzaileek azpiegitura bera erabili, haren funtzionamendua aztertu eta hedapen berriak sortu ahal izan zituzten. Proiektuaren erabilgarritasun publikoak dokumentazioa eta material didaktikoak garatzea ere bultzatu zuen. TensorFlowk ikerketa akademikoaren eta aplikazio praktikoen garapenaren arteko aldea murrizten lagundu zuen. [[Ikusmen artifizial]]ean, ahots-ezagutzan, [[itzulpen automatiko]]an, testuen analisian, robotikan eta medikuntzan erabili izan da. Haren hedapena bat etorri zen ikaskuntza automatikoa produktu eta zerbitzu digital ugaritan txertatzearekin. bnmzid97jblwpnwx91ks84q6uogqkgu 43934 43933 2026-07-24T10:38:38Z ~2026-41320-29 2744 43934 wikitext text/x-wiki = 2015: TensorFlow = '''TensorFlow''' [[kode irekiko software]]-liburutegi bat da, [[ikaskuntza automatikoa]]ko ereduak sortu, entrenatu eta exekutatzeko erabiltzen dena.<ref>[https://www.tensorflow.org/ TensorFlow - webgune ofiziala]</ref><ref>Abadi, M. et al. (2016). ''TensorFlow: A System for Large-Scale Machine Learning''. 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16), 265–283. USENIX Association.</ref> Eredu horiek [[adimen artifiziala]]ren sistemak dira, datuetatik ataza konplexuak automatikoki ebazten ikasteko ahalmena dutenak, programatzaile batek idatzitako arauak soilik jarraitu beharrean. [[Google]]k garatu zuen, eta 2015ean argitaratu zen jendaurrean. TensorFlowren agerpena bat etorri zen [[ikaskuntza sakon]]aren hedapenarekin. Ikaskuntza sakona ikaskuntza automatikoaren adar bat da, geruza ugariko neurona-sareetan<ref>LeCun, Y.; Bengio, Y.; Hinton, G. (2015). ''Deep learning''. Nature, 521, 436–444. DOI: 10.1038/nature14539.</ref> (giza garuneko neuronen antolaketan modu sinplifikatuan inspiratutako eredu matematikoak) oinarritua.<ref>Goodfellow, I.; Bengio, Y.; Courville, A. (2016). ''Deep Learning''. MIT Press.</ref> Garai hartan, sare horiek emaitza onak lortzen hasi ziren irudien ezagutzan, hizkuntzaren prozesamenduan eta ahotsaren analisian, adibidez. Hala ere, haien entrenamenduak eragiketa matematiko ugari eta hainbat prozesadoreren arteko koordinazioa eskatzen zuen. TensorFlowk kalkulu horiek antolatu eta exekutatzeko azpiegitura bateratu bat eskaini zuen. Horrek ikerketa, eredu berrien garapena eta ikaskuntza automatikoaren aplikazio praktikoa bizkortu zituen, bai unibertsitateetan bai industrian. == Funtzionamendua == ''TensorFlow'' izena ingelesezko ''tensor'' («tentsorea») eta ''flow'' («fluxua») hitzetatik dator. [[Tentsore]] bat dimentsio batean edo gehiagotan datu zenbakizkoak adierazten dituen egitura matematikoa da. Zenbaki bakar bat dimentsiorik gabeko (0 dimentsioko) tentsorea da; balioen zerrenda bat dimentsio bateko (1D) tentsorea da; eta taula bat bi dimentsioko (2D) tentsorea. Irudi digital bat, adibidez, normalean hiru dimentsioko (3D) tentsore gisa adierazten da: altuera × zabalera × kanal kopurua (pixelen kolore-osagaiak, adibidez gorria, berdea eta urdina). Ikaskuntza automatikoan, irudiak, soinuak, hitzak eta bestelako informazio motak horrelako adierazpen zenbakizko bihurtzen dira. TensorFlowk tentsore batzuk beste tentsore batzuetan bihurtzen dituzten eragiketa matematikoak (eragiketa-fluxua) definitzea ahalbidetzen du. Eragiketa horietako asko elkartuta, eredu bat eraikitzen da. Ereduak sarrerako datuak jasotzen ditu, kalkulu-segida baten bidez prozesatzen ditu, eta emaitza bat sortzen du, hala nola sailkapen bat edo iragarpen bat. TensorFlowk, gainera, ereduak entrenatzeko behar diren tresnak eskaintzen ditu. Eredu bat entrenatzea datuetatik ikas dezan haren barne-parametroak doitzea da. Garatzaileak kalkulu-fluxua eta ikasketa-metodoa zehazten ditu; TensorFlowk, berriz, parametro horiek eguneratzeko eta errorea murrizteko behar diren kalkulu matematikoak automatikoki egiteko baliabideak eskaintzen ditu. Horri esker, ikaskuntza automatikoko sistema konplexuak garatzea eta entrenatzea errazagoa da. Adibidez, katuen eta txakurren irudiak bereizteko sistema batean, entrenamendu-multzoak dagokien kategoriaren etiketa duten argazkiak biltzen ditu. Ereduak irudi bakoitza prozesatzen du eta iragarpen bat egiten du. Ondoren, iragarpen hori espero den emaitzarekin alderatzen da, eta errorea kalkulatzen da. TensorFlowk errore hori murrizteko behar diren eragiketa gehienak automatizatzen ditu. Ereduaren barne-parametroak pixkanaka egokitzen dira, eta prozesua adibide askorekin errepikatzen da zehaztasun-maila jakin batera iritsi arte. Behin entrenatuta, sistema hasierako datuetan ez zeuden irudiei aplika dakieke. == Garrantzia == TensorFlowren ekarpen nagusia ikaskuntza automatikoko sistemak garatzeko beharrezkoak diren hainbat zeregin plataforma bakarrean biltzea izan zen. Ereduak definitzea, entrenatzea, kalkuluak hainbat prozesadoreren artean banatzea eta aplikazio errealetan erabiltzeko prestatzea ahalbidetzen zuen. Era berean, erabilera orokorreko prozesadoreak, prozesamendu grafikoko unitateak (GPUak) eta hainbat ordenagailuz osatutako sistemak baliatzeko gai zen. Gaitasun hori bereziki garrantzitsua zen neurona-sare sakonentzat, haien entrenamenduak milioika eragiketa eta datu-kopuru handiak eska baititzake. Eredu bat ordenagailu pertsonal batean garatzen has zitekeen, eta gero azpiegitura indartsuagoetara eraman, programatzeko modua erabat aldatu beharrik gabe. TensorFlow kode irekiko software gisa argitaratzeak ordura arte batez ere enpresa handiek eta ikerketa-zentroek erabiltzen zituzten tresnak eskuragarriago bihurtu zituen. Ikertzaileek, ikasleek eta garatzaileek azpiegitura bera erabili, haren funtzionamendua aztertu eta hedapen berriak sortu ahal izan zituzten. Proiektuaren erabilgarritasun publikoak dokumentazioa eta material didaktikoak garatzea ere bultzatu zuen. TensorFlowk ikerketa akademikoaren eta aplikazio praktikoen garapenaren arteko aldea murrizten lagundu zuen. [[Ikusmen artifizial]]ean, ahots-ezagutzan, [[itzulpen automatiko]]an, testuen analisian, robotikan eta medikuntzan erabili izan da. Haren hedapena bat etorri zen ikaskuntza automatikoa produktu eta zerbitzu digital ugaritan txertatzearekin. b34fsbpy5oarkzowl6pqip8sdl21kw0