Transformers: Der endgültige Leitfaden (German Edition)

Kapitel 7. Transformatoren für dasverstärkende Lernen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Verstärkendes Lernen (RL) ist ein Paradigma, das auf sequenziellen Entscheidungen basiert, die durch Rückmeldungen aus der Umgebung getroffen werden. Wenn man darüber nachdenkt, ist Lernen durch Interaktion kein neues Konzept. Tatsächlich bist du schon dein ganzes Leben lang mit den Grundprinzipien von RL vertraut. Das liegt daran, dass du oft durch Interaktion mit deiner Umgebung lernst, ohne dass du einen expliziten Lehrer brauchst. Als Kind hast du zum Beispiel vielleicht Dinge angefasst oder Gegenstände in den Mund genommen, um zu sehen, wie deine Umgebung darauf reagierte. Anhand des Ergebnisses – etwa Weinen, nachdem du von der Familienkatze gekratzt wurdest – hast du gelernt, was als Nächstes zu tun ist. Aus solchen Erfahrungen hast du eine „Strategie“ für zukünftige Handlungen entwickelt, wie zum Beispiel, nicht mehr an der Schwanz der Katze zu ziehen.

Dieser Lernprozess spiegelt wider, wie ein RL-Agent funktioniert. Daher wird dieses Kapitel dein natürliches Verständnis vom Lernen aus einer Umgebung nutzen und darauf aufbauen, indem es wichtige RL-Konzepte behandelt. Konkret werde ich einen einführenden Überblick über traditionelle RL-Algorithmen geben, einschließlich der Unterscheidungen zwischen Online- und Offline-Lernen, modellbasierten und modellfreien Ansätzen sowie On-Policy- ...