Maschinelles Lernen von Aktionen

Inhaltlich unvernderte Neuauflage. Bei bestimmten Problemen mssen Aktionen in Abhngigkeit von der aktuellen Situation ausgewhlt 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 Lsungsweg vorgegeben. Er erhlt lediglich Belohnungs- oder Bestrafungssignale. Bei komplexeren Problemen ist die Anzahl der mglichen Situationen jedoch so gro, dass ber verschiedene Situationen generalisiert werden muss und Funktionsapproximatoren eingesetzt werden mssen. Da sich die zu approximierenden Funktionen whrend des Lernprozesses verndern, ist es wnschenswert, den Approximator mglichst 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 ber Reinforcement Learning und selbstorganisierende Karten auch interessierte Neulinge an.