Reinforcement Learning, zweite Auflage: Eine Einführung (Adaptive Computation and Machine Learning series)

Die deutlich erweiterte und aktualisierte Neuausgabe eines weit verbreiteten Textes zum Reinforcement Learning, einem der aktivsten Forschungsbereiche in der künstlichen Intelligenz. Reinforcement Learning, einer der aktivsten Forschungsbereiche in der künstlichen Intelligenz, ist ein rechnerischer Lernansatz, bei dem ein Agent versucht, die Gesamtmenge der Belohnungen, die er erhält, zu maximieren, während er mit einer komplexen, unsicheren Umgebung interagiert. In Reinforcement Learning geben Richard Sutton und Andrew Barto einen klaren und einfachen Überblick über die Schlüsselideen und Algorithmen des Fachgebiets. Diese zweite Auflage wurde erheblich erweitert und aktualisiert, wobei neue Themen vorgestellt und die Abdeckung anderer Themen aktualisiert wurden.

Wie die erste Auflage konzentriert sich auch diese zweite Auflage auf Kern-Online-Lernalgorithmen, wobei das mathematischere Material in schattierten Kästen abgesetzt ist. Teil I behandelt so viel Reinforcement Learning wie möglich, ohne über den tabellarischen Fall hinauszugehen, für den exakte Lösungen gefunden werden können. Viele Algorithmen, die in diesem Teil vorgestellt werden, sind neu in der zweiten Auflage, darunter UCB, Expected Sarsa und Double Learning. Teil II erweitert diese Ideen auf die Funktionsapproximation, mit neuen Abschnitten zu Themen wie künstlichen neuronalen Netzen und der Fourier-Basis, und bietet eine erweiterte Behandlung von Off-Policy-Lernen und Policy-Gradient-Methoden. Teil III enthält neue Kapitel über die Beziehungen des Reinforcement Learning zur Psychologie und Neurowissenschaft, sowie ein aktualisiertes Kapitel über Fallstudien, einschließlich AlphaGo und AlphaGo Zero, Atari-Spiel und IBM Watsons Wettstrategie. Das letzte Kapitel diskutiert die zukünftigen gesellschaftlichen Auswirkungen des Reinforcement Learning.