Recreant la presa de decisions humana mitjançant aprenentatge per reforç

Abstract

[ca] En aquest projecte estudiem les dades que va recollir el Michael DePass de com un conjunt de subjectes feien un exercici intentant trobar com aconseguir la màxima recompensa. Els subjectes repetien l’exercici un total de 300 vegades, en el qual havien d’escollir entre dos estı́muls en una pantalla. A través d’aquests 300 intents, els subjectes havien de descobrir quins estı́muls escollir per aconseguir la millor recompensa possible. Amb aquestes dades, interpretarem el seu comportament i aplicarem aprenentatge per reforç al mateix problema per comparar les diferències en la presa de decisions entre l’algorisme de Q-learning i els subjectes. Finalment, l’objectiu és ajustar els hiperparàmetres d’un agent de Q-learning per aconseguir que el seu comportament s’assimili al màxim al dels subjectes humans. [en] In this project, we study the data collected by Michael DePass on how a group of subjects performed a task aimed at obtaining the maximum reward. The subjects repeated the task a total of 300 times, in which they had to choose between two stimuli presented on a screen. Over these 300 attempts, the subjects needed to figure out which stimuli to select to achieve the best possible reward. With this data, we will interpret their behavior and apply reinforcement learning to the same problem to compare the differences in optimal decision-making strategies. Finally, the goal is to fit the hyperparameters of a Q-learning agent to make its behavior closely resemble that of the human subjects.