L'apprentissage automatique comprend trois principaux paradigmes d'apprentissage, chacun adapté à différents types de problèmes. L'apprentissage par renforcement en fait partie, aux côtés de l'apprentissage supervisé et l'apprentissage non supervisé.

Caractéristiques clés de l'AR

• Pas de données étiquetées : l'AR n'exige pas de paires entrée-sortie prédéfinies, mais apprend plutôt à partir de l'expérience ;
• Apprentissage par essais et erreurs : l'agent explore différentes actions et affine sa stratégie en fonction des retours ;
• Prise de décision séquentielle : l'AR est conçu pour des tâches où les décisions actuelles influencent les résultats futurs ;
• Maximisation de la récompense : l'objectif d'apprentissage est d'optimiser les récompenses à long terme plutôt que la justesse à court terme.

Comparaison des trois paradigmes d'apprentissage automatique

Pourquoi l'apprentissage par renforcement est-il différent

L'apprentissage par renforcement partage certaines similitudes avec d'autres paradigmes, mais se distingue par son approche unique du processus d'apprentissage.

Apprentissage supervisé

Dans l'apprentissage supervisé, un jeu de données fournit des instructions explicites sur la sortie correcte attendue. Dans l'apprentissage par renforcement, il n'y a aucune supervision explicite—l'agent doit déterminer les meilleures actions à entreprendre par l'expérience.

Apprentissage non supervisé

L'apprentissage non supervisé identifie des motifs cachés dans les données sans objectifs spécifiques. L'apprentissage par renforcement apprend par interaction avec un environnement afin d'atteindre un objectif explicite (par exemple, gagner une partie).