Maskinlæring består af tre hovedparadigmer, som hver især er velegnede til forskellige typer problemer. Forstærkningslæring er et af dem, sammen med superviseret læring og usuperviseret læring.

Centrale egenskaber ved RL

• Ingen mærkede data: RL kræver ikke foruddefinerede input-output-par, men lærer i stedet af erfaring;
• Læring gennem forsøg og fejl: agenten udforsker forskellige handlinger og forfiner sin strategi baseret på feedback;
• Sekventiel beslutningstagning: RL er designet til opgaver, hvor nuværende beslutninger påvirker fremtidige resultater;
• Maksimering af belønning: læringsmålet er at optimere langsigtede belønninger frem for kortsigtet korrekthed.

Sammenligning af de tre ML-paradigmer

Hvorfor er Reinforcement Learning Forskellig

Reinforcement learning deler nogle ligheder med andre paradigmer, men adskiller sig gennem sin unikke tilgang til læringsprocessen.

Supervised Learning

I supervised learning giver et datasæt eksplicitte instruktioner om, hvad det korrekte output skal være. I reinforcement learning er der ingen eksplicit supervision—agenten skal selv finde de bedste handlinger gennem erfaring.

Unsupervised Learning

Unsupervised learning finder skjulte mønstre i data uden specifikke mål. Reinforcement learning lærer gennem interaktion med et miljø for at opnå et eksplicit mål (f.eks. at vinde et spil).