❤️ Projekt unterstützen
DE
EN English UK Українська PL Polski ES Español DE Deutsch FR Français PT Português TR Türkçe JA 日本語 KO 한국어 RU Русский

Reinforcement Learning

Reinforcement Learning (RL) ist ein Paradigma des maschinellen Lernens, bei dem ein Agent lernt, Entscheidungen in einer Umgebung zu treffen, um ein Belohnungssignal zu maximieren.

🌐 Begriffe in anderen Sprachen:
English Deutsch Español Français 日本語 한국어 Polski Português Русский Türkçe Українська

RL beinhaltet, dass ein Agent mit einer Umgebung interagiert, Aktionen ausführt und Feedback in Form von Belohnungen oder Strafen erhält. Das Ziel des Agenten ist es, eine Richtlinie zu erlernen, also eine Strategie zur Auswahl von Aktionen, die die kumulative Belohnung im Laufe der Zeit maximiert. Dieser Lernprozess wird oft als Markov-Entscheidungsprozess (MDP) modelliert, bei dem die Aktionen des Agenten den Zustand der Umgebung beeinflussen und die Umgebung Belohnungen basierend auf diesen Zustandsübergängen bereitstellt.

RL-Algorithmen erforschen die Umgebung durch Versuch und Irrtum und verbessern ihre Richtlinie schrittweise. Dieser Kompromiss zwischen Exploration und Exploitation ist entscheidend, da der Agent das Ausprobieren neuer Aktionen (Exploration) mit der Nutzung des bereits erworbenen Wissens (Exploitation) in Einklang bringen muss. Verschiedene Algorithmen, wie z. B. Q-Learning, SARSA und Policy Gradients, werden verwendet, um RL-Agenten zu trainieren. Diese Algorithmen aktualisieren die Richtlinie oder die Wertfunktion des Agenten basierend auf den empfangenen Belohnungen und leiten ihn zu optimalem Verhalten.

        graph LR
  Center["Reinforcement Learning"]:::main
  Pre_machine_learning["machine-learning"]:::pre --> Center
  click Pre_machine_learning "/terms/machine-learning"
  Rel_deep_learning["deep-learning"]:::related -.-> Center
  click Rel_deep_learning "/terms/deep-learning"
  Rel_game_theory["game-theory"]:::related -.-> Center
  click Rel_game_theory "/terms/game-theory"
  Rel_logistic_regression["logistic-regression"]:::related -.-> Center
  click Rel_logistic_regression "/terms/logistic-regression"
  classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
  classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
  classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
  classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
  linkStyle default stroke:#4b5563,stroke-width:2px;
🕸️ Open in Universe

🧠 Wissenstest

1 / 3

🧒 Erkläre es wie einem 5-Jährigen

🎮 Training a computer program like a puppy: rewarding good behavior and ignoring bad behavior until it learns to be helpful.

🤓 Expert Deep Dive

## RLHF: Aligning Human and Machine
Reinforcement Learning from Human Feedback (RLHF) is the secret sauce behind modern chatbots like ChatGPT. Since it's impossible to write a mathematical formula for 'a good, helpful answer,' we show the model pairs of answers and let humans rank them. An RL agent is then trained to predict these rankings, creating a 'Reward Model' that guides the LLM toward safe and helpful output.

🔗 Verwandte Begriffe

Voraussetzungen:

📚 Quellen

1. Playing Atari with Deep Reinforcement Learning
2. Reinforcement Learning: An Introduction (2nd Edition)
3. Mastering the game of Go with deep neural networks and tree search
4. AlphaFold 2: Highly accurate protein structure prediction with deep learning
5. Decision Transformers: Reinforcement Learning via Sequence Modeling
6. Training language models to follow instructions with human feedback
7. Meta-Reinforcement Learning
8. Causal Reinforcement Learning
9. Sim-to-Real Transfer of Robotic Control with Dynamics Randomization
10. Graph Neural Networks for Deep Reinforcement Learning
11. Explainable Reinforcement Learning: A Survey
12. Hierarchical Reinforcement Learning: A Survey
13. Reinforcement Learning from Human Feedback
14. Graph Neural Networks for Deep Reinforcement Learning
15. Meta-Reinforcement Learning
16. Offline Reinforcement Learning: Tutorial, Review, and Perspectives
17. Decision Transformer: Reinforcement Learning via Sequence Modeling
18. Highly accurate protein structure prediction with AlphaFold
19. Asynchronous Methods for Deep Reinforcement Learning
20. Meta-Reinforcement Learning
21. Curiosity-Driven Exploration by Self-supervised Prediction
22. Asynchronous Methods for Deep Reinforcement Learning
23. Deep reinforcement learning for robotic manipulation
24. Deep Reinforcement Learning from Human Preferences
25. Deep Reinforcement Learning for Recommendation Systems
26. Reinforcement Learning from Human Feedback
27. Graph Neural Networks for Reinforcement Learning
28. Decision Transformers: Reinforcement Learning via Sequence Modeling
29. Meta-Reinforcement Learning
30. AlphaFold 2
31. Reinforcement Learning from Human Feedback
32. An open science platform for reproducible research in artificial intelligence
33. Deep Reinforcement Learning: An Introduction