Reinforcement Learning

Reinforcement Learning (RL) ist eine ML-Methode, bei der ein Agent durch Interaktion mit einer Umgebung lernt. Der Agent erhält Belohnungen für richtige Entscheidungen und Strafen für falsche und lernt so, kumulative Belohnungen zu maximieren. Grundprinzipien: Agent, Umgebung, Belohnung, Ziel.

Schlüsselkonzepte: Policy (Strategie des Agenten), Wertfunktion (bewertet Zustände langfristig), Q-Learning (bewertet Aktionen in Zuständen), Exploration vs. Exploitation (Neues erkunden vs. bekanntes Wissen nutzen). Modellierung als Markov-Entscheidungsprozess (MDP).

Anwendungen: Spieleagenten (AlphaGo, AlphaZero), Robotersteuerung, autonomes Fahren, Ressourcenoptimierung, RLHF (Reinforcement Learning with Human Feedback für LLMs). RL hat bahnbrechende Ergebnisse in komplexen Entscheidungsproblemen erzielt.