Maschinelles Lernen umfasst drei Hauptlernparadigmen, die jeweils für unterschiedliche Problemtypen geeignet sind. Reinforcement Learning ist eines davon, neben überwachtem Lernen und unüberwachtem Lernen.

Wichtige Merkmale von RL

• Keine gelabelten Daten: RL benötigt keine vordefinierten Eingabe-Ausgabe-Paare, sondern lernt aus Erfahrung;
• Lernen durch Versuch und Irrtum: Der Agent erkundet verschiedene Aktionen und verfeinert seine Strategie basierend auf Rückmeldungen;
• Sequenzielle Entscheidungsfindung: RL ist für Aufgaben konzipiert, bei denen aktuelle Entscheidungen zukünftige Ergebnisse beeinflussen;
• Belohnungsmaximierung: Das Lernziel besteht darin, langfristige Belohnungen zu optimieren, anstatt kurzfristige Korrektheit.

Vergleich der drei ML-Paradigmen

Warum ist Reinforcement Learning anders

Reinforcement Learning weist einige Gemeinsamkeiten mit anderen Paradigmen auf, hebt sich jedoch durch seinen einzigartigen Ansatz im Lernprozess hervor.

Überwachtes Lernen

Beim überwachten Lernen liefert ein Datensatz explizite Anweisungen, wie die korrekte Ausgabe aussehen soll. Beim Reinforcement Learning gibt es keine explizite Überwachung—der Agent muss die besten Aktionen durch Erfahrung selbst herausfinden.

Unüberwachtes Lernen

Unüberwachtes Lernen findet verborgene Muster in Daten ohne spezifische Ziele. Reinforcement Learning lernt durch Interaktion mit einer Umgebung, um ein explizites Ziel zu erreichen (z. B. ein Spiel zu gewinnen).