Reinforcement Learning

یادگیری تقویتی، یادگیری نقشه برداری از موقعیت ها به اقدامات به منظور به حداکثر رساندن پاداش اسکالر یا سیگنال تقویتی است. به یادگیرنده گفته نمی‌شود که چه اقدامی را انجام دهد، مانند بسیاری از اشکال یادگیری ماشینی، اما در عوض باید کشف کند که کدام اقدامات با امتحان کردن، بالاترین پاداش را به همراه دارد. در جالب‌ترین و چالش‌برانگیزترین موارد، اقدامات ممکن است نه تنها بر پاداش فوری، بلکه بر موقعیت بعدی و از طریق آن بر تمام پاداش‌های بعدی نیز تأثیر بگذارد. این دو ویژگی - جستجوی آزمون و خطا و پاداش تاخیری - مهمترین ویژگی های متمایزکننده یادگیری تقویتی هستند.
یادگیری تقویتی یک موضوع جدید و بسیار قدیمی در هوش مصنوعی است. به نظر می رسد این اصطلاح توسط مینسک (1961) و به طور مستقل در نظریه کنترل توسط والز و فو (1965) ابداع شده باشد. اولین تحقیق یادگیری ماشینی که اکنون مستقیماً مرتبط به نظر می رسد، بازیکن چکر ساموئل (1959) بود که از یادگیری تفاوت زمانی برای مدیریت پاداش تأخیر مانند امروز استفاده می کرد. البته یادگیری و تقویت تقریباً یک قرن است که در روانشناسی مورد مطالعه قرار گرفته است و این کار تأثیر بسیار قوی بر کار هوش مصنوعی / مهندسی داشته است. در واقع می توان تمام یادگیری های تقویتی را صرفاً مهندسی معکوس فرآیندهای یادگیری روانشناختی خاص (مانند شرطی سازی عامل و تقویت ثانویه) دانست.
یادگیری تقویتی یک جلد ویرایش شده از تحقیقات اصلی است که شامل هفت مشارکت دعوت شده توسط محققان برجسته است.

Reinforcement learning is the learning of a mapping from situations to actions so as to maximize a scalar reward or reinforcement signal. The learner is not told which action to take, as in most forms of machine learning, but instead must discover which actions yield the highest reward by trying them. In the most interesting and challenging cases, actions may affect not only the immediate reward, but also the next situation, and through that all subsequent rewards. These two characteristics -- trial-and-error search and delayed reward -- are the most important distinguishing features of reinforcement learning.
Reinforcement learning is both a new and a very old topic in AI. The term appears to have been coined by Minsk (1961), and independently in control theory by Walz and Fu (1965). The earliest machine learning research now viewed as directly relevant was Samuel's (1959) checker player, which used temporal-difference learning to manage delayed reward much as it is used today. Of course learning and reinforcement have been studied in psychology for almost a century, and that work has had a very strong impact on the AI/engineering work. One could in fact consider all of reinforcement learning to be simply the reverse engineering of certain psychological learning processes (e.g. operant conditioning and secondary reinforcement).
Reinforcement Learning is an edited volume of original research, comprising seven invited contributions by leading researchers.