Maskinlæring består av tre hovedparadigmer, hver egnet for ulike typer problemer. Forsterkningslæring er ett av dem, sammen med overvåket læring og uovervåket læring.

Nøkkelfunksjoner ved RL

• Ingen merkede data: RL krever ikke forhåndsdefinerte input-output-par, men lærer i stedet fra erfaring;
• Læring gjennom prøving og feiling: agenten utforsker ulike handlinger og forbedrer strategien basert på tilbakemeldinger;
• Sekvensiell beslutningstaking: RL er utviklet for oppgaver der nåværende beslutninger påvirker fremtidige utfall;
• Maksimering av belønning: læringsmålet er å optimalisere langsiktige belønninger fremfor kortsiktig korrekthet.

Sammenligning av de tre ML-paradigmene

Hvorfor er forsterkningslæring annerledes

Forsterkningslæring har noen likheter med andre paradigmer, men skiller seg ut på grunn av sin unike tilnærming til læringsprosessen.

Veiledet læring

I veiledet læring gir et datasett eksplisitte instruksjoner om hva som skal være riktig utdata. I forsterkningslæring finnes det ingen eksplisitt veiledning—agenten må finne ut av de beste handlingene gjennom erfaring.

Uveiledet læring

Uveiledet læring finner skjulte mønstre i data uten spesifikke mål. Forsterkningslæring lærer gjennom interaksjon med et miljø for å oppnå et eksplisitt mål (f.eks. å vinne et spill).