Reinforcement learning

El aprendizaje por refuerzo es una rama del aprendizaje automático que se ocupa de cómo tomar las acciones de un agente y descubrir cómo esas acciones han afectado la recompensa que recibe al realizar esa acción.

Hay muchos tipos diferentes de algoritmos de aprendizaje por refuerzo, incluidos los métodos de iteración de valor, gradiente de política y Monte Carlo. El más popular de estos es la iteración de valor, que utiliza un algoritmo de optimización para determinar la mejor acción que debe tomar un robot dado su estado actual, el entorno actual y cualquier otra información a la que tenga acceso (como el tipo de resultado que desea).

Y también el aprendizaje por refuerzo profundo es una técnica que utiliza redes neuronales profundas para aprender de la experiencia. Cuando usa el aprendizaje de refuerzo profundo, tiene la capacidad de entrenar sus modelos de aprendizaje automático con la ayuda de un entrenador humano que proporciona comentarios sobre el rendimiento del modelo.

El objetivo de esta técnica es desarrollar un algoritmo que pueda aprender cómo realizar una tarea sin ser programado explícitamente. El aprendizaje de refuerzo profundo funciona mediante la creación de una red neuronal artificial que aprende a lograr un resultado a través de prueba y error, con el tiempo. Este tipo de algoritmo tiene una gran cantidad de capas y nodos que le permiten aprender tanto de la experiencia como de otros sistemas o situaciones similares.