förstärkningslärande

Förstärkningslärande, eller reinforcement learning på engelska, är ett område inom maskininlärning som handlar om hur en agent ska agera i en miljö för att maximera en kumulativ belöning. Till skillnad från övervakad inlärning där man får tydliga exempel på rätt svar, och oövervakad inlärning där man letar efter mönster, får agenten i förstärkningslärning feedback i form av belöningar eller straff baserat på sina handlingar.

Kärnan i förstärkningslärning är en dynamisk process. Agenten observerar miljön, väljer en handling, utför handlingen, och får sedan en ny observation av miljön samt en belöning. Målet är att agenten ska lära sig en strategi, även kallad policy, som specificerar vilken handling den ska vidta i varje givet tillstånd för att maximera den totala förväntade framtida belöningen. Denna inlärning sker ofta genom trial-and-error.

Viktiga koncept inom förstärkningslärning inkluderar tillstånd (state), handling (action), belöning (reward), policy (strategy), och värdefunktion (value function). Tillståndet beskriver den aktuella situationen i miljön. Handlingen är det agenten kan göra. Belöningen är ett numeriskt värde som indikerar hur bra eller dålig en viss handling var i ett visst tillstånd. Värdefunktionen uppskattar den framtida belöningen som kan förväntas från ett visst tillstånd eller en viss tillstånds-handling-kombination.

Användningsområden för förstärkningslärning är många och inkluderar robotik, spel (som schack och Go), rekommendationssystem, autonom körning och optimering av industriella processer.