Reinforcement learning

Reinforcement learning is een tak van machine learning die zich bezighoudt met het uitvoeren van de acties van een agent en het uitzoeken hoe die acties de beloning hebben beïnvloed die hij ontvangt voor het uitvoeren van die actie.

Er zijn veel verschillende soorten leeralgoritmen voor versterking, waaronder waarde-iteratie, beleidsgradiënt en Monte Carlo-methoden. De meest populaire hiervan is waarde-iteratie, waarbij een optimalisatie-algoritme wordt gebruikt om de beste actie te bepalen die een robot moet ondernemen gezien zijn huidige toestand, huidige omgeving en alle andere informatie waartoe hij toegang heeft (zoals wat voor soort uitkomst hij wil).

En ook diep versterkend leren is een techniek die diepe neurale netwerken gebruikt om te leren van ervaringen. Wanneer u gebruikmaakt van diep versterkend leren, kunt u uw machine learning-modellen trainen met de hulp van een menselijke trainer die feedback geeft over hoe goed het model presteert.

Het doel van deze techniek is om een ​​algoritme te ontwikkelen dat kan leren hoe een taak moet worden uitgevoerd zonder expliciet geprogrammeerd te zijn. Diep versterkend leren werkt door een kunstmatig neuraal netwerk te creëren dat na verloop van tijd leert om met vallen en opstaan ​​een resultaat te bereiken. Dit type algoritme heeft een groot aantal lagen en knooppunten waarmee het kan leren van zowel ervaringen als andere vergelijkbare systemen of situaties.