Tugevdamisõppimine

Tugevdamisõppimine, tuntud ka kui reinforceeriv õppimine, on masinõppe valdkond, kus agent õpib tegutsema keskkonnas, et saavutada maksimumi talle antud tasu. Erinevalt juhendatud õppimisest, kus õpitakse märgistatud andmetest, ja juhendamata õppimisest, kus otsitakse andmetest mustreid, tugineb tugevdamisõppimine katse-eksituse meetodile. Agent teeb otsuseid, vaatleb nende tagajärgi ja kohandab oma käitumist tulevikus paremate tulemuste saavutamiseks.

Protsess hõlmab agenti, kes jälgib keskkonna olekut (state), valib tegevuse (action) ja saab selle eest tasu (reward) või karistuse. Eesmärk on õppida optimaalne poliitika (policy), mis määrab, millist tegevust mingis olekus valida, et pikemas perspektiivis maksimeerida kumulatiivset tasu. Oluline on tasakaalustada eksploratsiooni (uute tegevuste proovimine) ja ekspluateerimist (seni parimate tegevuste kasutamine).

Tugevdamisõppimist kasutatakse laialdaselt erinevates rakendustes, nagu mängude mängimine (nt AlphaGo), robootika, autonoomne juhtimine, soovituslikud süsteemid ja ressursside haldamine. Tehnika aluseks on matemaatilised mudelid, nagu Markov otsustusprotsessid (MDPs). Populaarsete algoritmide hulka kuuluvad Q-learning, SARSA ja erinevad süvaõppe meetodid, nagu Deep Q-Networks (DQN).