Aprendizado de máquina consiste em três principais paradigmas de aprendizado, cada um adequado para diferentes tipos de problemas. Aprendizado por reforço é um deles, juntamente com aprendizado supervisionado e aprendizado não supervisionado.

Principais Características do RL

• Sem dados rotulados: RL não requer pares de entrada-saída predefinidos, mas aprende a partir da experiência;
• Aprendizado por tentativa e erro: o agente explora diferentes ações e aprimora sua estratégia com base no feedback;
• Tomada de decisão sequencial: RL é projetado para tarefas em que as decisões atuais afetam resultados futuros;
• Maximização de recompensa: o objetivo do aprendizado é otimizar recompensas de longo prazo em vez de correção de curto prazo.

Comparação dos Três Paradigmas de ML

Por que o Aprendizado por Reforço é Diferente

O aprendizado por reforço compartilha algumas semelhanças com outros paradigmas, mas se destaca devido à sua abordagem única ao processo de aprendizagem.

Aprendizado Supervisionado

No aprendizado supervisionado, um conjunto de dados fornece instruções explícitas sobre qual deve ser a saída correta. No aprendizado por reforço, não há supervisão explícita—o agente deve descobrir as melhores ações por meio da experiência.

Aprendizado Não Supervisionado

O aprendizado não supervisionado identifica padrões ocultos nos dados sem objetivos específicos. O aprendizado por reforço aprende por meio da interação com um ambiente para alcançar um objetivo explícito (por exemplo, vencer um jogo).