強化学習(Reinforcement Learning)

強化学習(きょうかがくしゅう, Reinforcement Learning)とは、ある環境内におけるエージェントが現在の状態を観測し、取るべき行動を決定する問題を扱う機械学習の一種。

エージェントは行動を選択することで環境から報酬を得る。強化学習は一連の行動を通じて報酬が最も多く得られるような方策(policy)を学習する。

今日の強化学習のアルゴリズムとして代表的な手法はQ学習であるが、過去には動的計画法、モンテカルロ法、TD学習(Temporal Difference Learning)が用いられていた。最も基本的なモデルでは、環境は有限状態数のマルコフ決定過程として定式化される。

• Q学習
• TD学習(Temporal Difference Learning)
• モンテカルロ法
• 動的計画法

(http://www.slideshare.net/kwp_george/ss-45978508より。)

強化学習は、学習のための適切な入力データと出力データのペアが与えられることがない、という意味からすると、教師あり学習とは異なる学習手法である。また、未知の学習領域を開拓していく行動と、既知の学習領域を利用していく行動とをバランス良く選択することができるという特徴も持っている。その性質から未知の環境下でのロボットの行動獲得に良く用いられる。

• 行動価値関数
• 目的関数
• モデルベース強化学習(model-based reinforcement learning)
• 報酬学習
• 強化学習 - Wikipedia
• "Playing Atari with Deep Reinforcement Learning"
• 報酬の学習 - 人工知能に関する断創録

• Pybrainで簡単に実装できる。