Reinforcement Learning (RL) ist ein Lernparadigma, bei dem ein Agent in einer Umgebung durch Interaktion und Rückmeldung in Form von Belohnungen eine optimale Strategie erlernt.
Der Agent beobachtet den aktuellen Zustand, wählt eine Aktion aus und erhält daraufhin eine Belohnung sowie den nächsten Zustand.
Ziel ist es, eine Policy zu finden, die die langfristige kumulative Belohnung maximiert.
Wichtige Konzepte sind die Markov-Entscheidungsprozesse (MDP), Value-Funktionen und Q-Learning.
RL wird eingesetzt in Bereichen wie Robotik, Spiele und autonome Systeme, wo das Lernen durch Versuch und Irrtum möglich ist.