Reinforcement learning

Reinforcement Learning ist ein Zweig des maschinellen Lernens, der sich damit befasst, wie man die Aktionen eines Agenten ausführt und herausfindet, wie sich diese Aktionen auf die Belohnung ausgewirkt haben, die er für die Ausführung dieser Aktion erhält.

Es gibt viele verschiedene Arten von Reinforcement-Learning-Algorithmen, darunter Value Iteration, Policy Gradient und Monte-Carlo-Methoden. Die beliebteste davon ist die Wertiteration, bei der ein Optimierungsalgorithmus verwendet wird, um die beste Aktion zu bestimmen, die ein Roboter angesichts seines aktuellen Zustands, seiner aktuellen Umgebung und aller anderen Informationen, auf die er Zugriff hat (z. B. welche Art von Ergebnis er haben möchte), ausführen sollte.

Und auch Deep Reinforcement Learning ist eine Technik, die tiefe neuronale Netze verwendet, um aus Erfahrungen zu lernen. Wenn Sie Deep Reinforcement Learning verwenden, haben Sie die Möglichkeit, Ihre maschinellen Lernmodelle mithilfe eines menschlichen Trainers zu trainieren, der Feedback zur Leistung des Modells gibt.

Das Ziel dieser Technik ist es, einen Algorithmus zu entwickeln, der lernen kann, wie man eine Aufgabe ausführt, ohne explizit programmiert zu werden. Deep Reinforcement Learning funktioniert, indem es ein künstliches neuronales Netzwerk erstellt, das lernt, im Laufe der Zeit durch Versuch und Irrtum ein Ergebnis zu erzielen. Diese Art von Algorithmus verfügt über eine große Anzahl von Schichten und Knoten, die es ihm ermöglichen, aus Erfahrungen sowie aus anderen ähnlichen Systemen oder Situationen zu lernen.