Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Generalisierte Politikiteration | Dynamische Programmierung
Einführung in das Reinforcement Learning
course content

Kursinhalt

Einführung in das Reinforcement Learning

Einführung in das Reinforcement Learning

1. Kernprinzipien des RL
2. Multi-Armed-Bandit-Problem
3. Dynamische Programmierung
4. Monte-Carlo-Methoden
5. Temporal-Differenz-Lernen

book
Generalisierte Politikiteration

In den vorherigen Kapiteln haben Sie Politikbewertung und Politikverbesserung kennengelernt. Diese Prozesse ergänzen sich gegenseitig und werden auf natürliche Weise in einem Rahmenwerk zusammengeführt, das als generalisierte Politikiteration bekannt ist.

Note
Definition

Generalisierte Politikiteration (GPI) ist ein Rahmenwerk, in dem Politikbewertung und Politikverbesserung iterativ miteinander interagieren, mit dem gemeinsamen Ziel, eine optimale Politik zu bestimmen.

Die meisten Methoden des Reinforcement Learnings lassen sich im Rahmen der GPI beschreiben. Die wesentlichen Unterschiede zwischen diesen Methoden ergeben sich aus den konkreten Ausgestaltungen der Politikbewertung und Politikverbesserung sowie aus der Art ihrer Interaktion.

Interaktion zwischen zwei Prozessen

Politikbewertung und Politikverbesserung können je nach Perspektive sowohl als kooperative als auch als kompetitive Prozesse betrachtet werden:

  • Kooperativ: Beide Prozesse verfolgen ein gemeinsames Ziel—die optimale Politik und Wertfunktion zu finden. Die Politikbewertung schätzt die Wertfunktion für eine gegebene Politik, während die Politikverbesserung die Politik auf Basis dieser Schätzungen verfeinert;
  • Kompetitiv: Jeder Prozess hat widersprüchliche Ziele. Die Politikbewertung zielt darauf ab, die Wertfunktion für die aktuelle Politik genau zu schätzen, was häufig dazu führt, dass die Politik nicht mehr gierig ist. Im Gegensatz dazu passt die Politikverbesserung die Politik so an, dass sie bezüglich der aktuellen Wertfunktionsschätzungen gierig ist, wodurch diese Schätzungen in der Regel falsch werden. Dieses ständige Wechselspiel setzt sich fort, bis sowohl die Politik als auch die Wertfunktion ihre optimalen Formen erreichen.

Zusammenfassung

Generalisierte Politikiteration ist ein nützliches Rahmenkonzept, um zu verstehen, wie verschiedene Methoden des Reinforcement Learnings die MDPs lösen. In den kommenden Kapiteln werden Sie erkunden, wie diese Ideen angewendet werden können, um zwei wesentliche DP-Methoden zu entwickeln: Politikiteration und Wertiteration.

question mark

Wählen Sie die beiden Prozesse aus, die im Rahmen der generalisierten Politikiteration zusammenarbeiten

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 6

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

course content

Kursinhalt

Einführung in das Reinforcement Learning

Einführung in das Reinforcement Learning

1. Kernprinzipien des RL
2. Multi-Armed-Bandit-Problem
3. Dynamische Programmierung
4. Monte-Carlo-Methoden
5. Temporal-Differenz-Lernen

book
Generalisierte Politikiteration

In den vorherigen Kapiteln haben Sie Politikbewertung und Politikverbesserung kennengelernt. Diese Prozesse ergänzen sich gegenseitig und werden auf natürliche Weise in einem Rahmenwerk zusammengeführt, das als generalisierte Politikiteration bekannt ist.

Note
Definition

Generalisierte Politikiteration (GPI) ist ein Rahmenwerk, in dem Politikbewertung und Politikverbesserung iterativ miteinander interagieren, mit dem gemeinsamen Ziel, eine optimale Politik zu bestimmen.

Die meisten Methoden des Reinforcement Learnings lassen sich im Rahmen der GPI beschreiben. Die wesentlichen Unterschiede zwischen diesen Methoden ergeben sich aus den konkreten Ausgestaltungen der Politikbewertung und Politikverbesserung sowie aus der Art ihrer Interaktion.

Interaktion zwischen zwei Prozessen

Politikbewertung und Politikverbesserung können je nach Perspektive sowohl als kooperative als auch als kompetitive Prozesse betrachtet werden:

  • Kooperativ: Beide Prozesse verfolgen ein gemeinsames Ziel—die optimale Politik und Wertfunktion zu finden. Die Politikbewertung schätzt die Wertfunktion für eine gegebene Politik, während die Politikverbesserung die Politik auf Basis dieser Schätzungen verfeinert;
  • Kompetitiv: Jeder Prozess hat widersprüchliche Ziele. Die Politikbewertung zielt darauf ab, die Wertfunktion für die aktuelle Politik genau zu schätzen, was häufig dazu führt, dass die Politik nicht mehr gierig ist. Im Gegensatz dazu passt die Politikverbesserung die Politik so an, dass sie bezüglich der aktuellen Wertfunktionsschätzungen gierig ist, wodurch diese Schätzungen in der Regel falsch werden. Dieses ständige Wechselspiel setzt sich fort, bis sowohl die Politik als auch die Wertfunktion ihre optimalen Formen erreichen.

Zusammenfassung

Generalisierte Politikiteration ist ein nützliches Rahmenkonzept, um zu verstehen, wie verschiedene Methoden des Reinforcement Learnings die MDPs lösen. In den kommenden Kapiteln werden Sie erkunden, wie diese Ideen angewendet werden können, um zwei wesentliche DP-Methoden zu entwickeln: Politikiteration und Wertiteration.

question mark

Wählen Sie die beiden Prozesse aus, die im Rahmen der generalisierten Politikiteration zusammenarbeiten

Select the correct answer

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 3. Kapitel 6
some-alt