Maskininlärning består av tre huvudsakliga inlärningsparadigm, där varje paradigm är anpassat för olika typer av problem. Förstärkningsinlärning är ett av dessa, tillsammans med övervakad inlärning och icke-övervakad inlärning.

Nyckelfunktioner för RL

• Ingen märkt data: RL kräver inte fördefinierade indata-utdata-par, utan lär sig istället från erfarenhet;
• Inlärning genom försök och misstag: agenten utforskar olika handlingar och förfinar sin strategi baserat på återkoppling;
• Sekventiellt beslutsfattande: RL är utformat för uppgifter där nuvarande beslut påverkar framtida utfall;
• Belöningsmaximering: inlärningsmålet är att optimera långsiktiga belöningar snarare än kortsiktig korrekthet.

Jämförelse mellan tre ML-paradigm

Varför är förstärkningsinlärning annorlunda

Förstärkningsinlärning delar vissa likheter med andra paradigm, men utmärker sig genom sitt unika tillvägagångssätt för inlärningsprocessen.

Övervakad inlärning

Vid övervakad inlärning tillhandahåller en datamängd tydliga instruktioner om vad det korrekta resultatet ska vara. Vid förstärkningsinlärning finns ingen explicit övervakning—agenten måste själv lista ut de bästa handlingarna genom erfarenhet.

Oövervakad inlärning

Oövervakad inlärning identifierar dolda mönster i data utan specifika mål. Förstärkningsinlärning lär sig genom interaktion med en miljö för att uppnå ett uttalat mål (t.ex. att vinna ett spel).