Reinforcement Learning ist ein Bereich des maschinellen Lernens, bei dem ein Agent lernt, in einer Umgebung optimale Entscheidungen zu treffen, basierend auf der Maximierung der erwarteten kumulativen Belohnung.
Formal wird RL oft durch Markov-Entscheidungsprozesse (MDP) modelliert, definiert durch Zustandsraum, Aktionsraum, Übergangswahrscheinlichkeiten und Belohnungsfunktion.
Die zentrale Aufgabe besteht darin, eine Policy π(s) zu finden, die den erwarteten Return maximiert, wobei Methoden wie Value-Iteration, Policy-Iteration, Monte-Carlo-Methoden und Temporal-Difference-Lernen (z.B. Q-Learning, SARSA) zum Einsatz kommen.
Moderne Ansätze wie Deep Reinforcement Learning kombinieren neuronale Netze mit RL-Algorithmen, um in komplexen, hochdimensionalen Umgebungen zu lernen.
Definition:
Reinforcement Learning ist ein Lernparadigma, bei dem ein Agent durch Interaktion mit einer Umgebung eine Policy erlernt, die die kumulative Belohnung maximiert, typischerweise modelliert als Markov-Entscheidungsprozess.
Quelle:
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction. MIT Press.