Machine learning bestaat uit drie hoofdleermethoden, elk geschikt voor verschillende soorten problemen. Reinforcement learning is er één van, naast supervised learning en unsupervised learning.

Belangrijkste kenmerken van RL

• Geen gelabelde data: RL vereist geen vooraf gedefinieerde input-outputparen, maar leert in plaats daarvan van ervaring;
• Leren door trial-and-error: de agent verkent verschillende acties en verfijnt zijn strategie op basis van feedback;
• Sequentiële besluitvorming: RL is ontworpen voor taken waarbij huidige beslissingen toekomstige uitkomsten beïnvloeden;
• Maximalisatie van beloningen: het leerdoel is het optimaliseren van langetermijnbeloningen in plaats van kortetermijncorrectheid.

Vergelijking van de drie ML-paradigma's

Waarom is Reinforcement Learning Anders

Reinforcement learning vertoont enkele overeenkomsten met andere paradigma's, maar onderscheidt zich door zijn unieke benadering van het leerproces.

Supervised Learning

Bij supervised learning biedt een dataset expliciete instructies over wat de juiste output moet zijn. Bij reinforcement learning is er geen expliciete supervisie—de agent moet de beste acties zelf ontdekken door ervaring.

Unsupervised Learning

Unsupervised learning zoekt verborgen patronen in data zonder specifieke doelen. Reinforcement learning leert door interactie met een omgeving om een expliciet doel te bereiken (bijvoorbeeld het winnen van een spel).