Maschinelles Lernen von Aktionen

Inhaltlich unveränderte Neuauflage. Bei bestimmten Problemen müssen Aktionen in Abhängigkeit von der aktu­ellen Situation ausgewählt werden. Manchmal lassen sich diese Aktionen auf analytischem Weg nur schwer bestimmen. Hier bietet sich der Einsatz von Reinforcement Learning Algorithmen an. Dabei wird dem Computer kein Lösungsweg vorgegeben. Er erhält lediglich Belohnungs- oder Bestrafungs­signale. Bei komplexeren Problemen ist die Anzahl der möglichen Situationen jedoch so groß, dass über verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden müssen. Da sich die zu appro­ximierenden Funktionen während des Lernprozesses verändern, ist es wünschenswert, den Approximator möglichst adaptiv zu gestalten. Das vor­lie­gende Buch beschreibt einen solchen adaptiven Approximator auf der Basis von selbstorganisierenden Karten. Die Anwendung des Approximators zum Lernen von diskreten Aktionen und kontinuierlichen Aktionswerten wird anhand von verschiedenen Beispielen demonstriert. Das Buch wendet sich in erster Linie an Forscher und Entwickler, spricht aber mit Einleitungskapiteln über Reinforcement Learning und selbstorganisierende Karten auch inte­res­sierte Neulinge an.