Обучение с подкреплением с нуля

Как работает обучение с подкреплением? Короткий мультфильм, наглядно объясняющий этот удивительный подход к машинному обучению и то, как он был использован в AlphaGo и ChatGPT.
Часть 1 из 3.

0:00 — вступление
0:13 — понг
0:28 — политика
0:51 — политика как нейронная сеть
1:32 — обучение с учителем
2:51 — обучение с подкреплением с использованием градиента политики
4:24 — минимизация ошибки с помощью градиентного спуска
4:45 — вероятностная политика
5:01 — понг по пикселям
6:58 — визуализация усвоенных весов
8:18 — ссылка на запись в блоге Karpathy «Понг по пикселям»