یادگیری تقویتی (Reinforcement Learning) و یا به اختصار (RL) یکی از زیرشاخه های یادگیری ماشینی (Machine Learning) است. در این رویکرد، عامل یادگیرنده با استفاده از الگوریتم یادگیری محیط، اقداماتی را در محیط انجام می‌دهد و پاداش اقدام خود را مشاهده می‌کند. این فرآیند به گونه‌ای ادامه پیدا می‌کند که عامل اقداماتی را انجام می‌دهد که پاداش دریافتی بیشینه می‌گردد.
نحوه انتخاب اقدام توسط عامل در هر وضعیت متاثر از ارزش آن اقدام در وضعیت مشخص است. هدف اصلی عامل حداکثر کردن پاداش دریافتی فعلی و آتی است.
در سالهای اخیر به دلیل ارتباطی که بین الگوریتمهای RL و شبکه های عصبی (Neural Network) به وجود آمده است، شاخه جدیدی به عنوان یادگیری تقویتی عمیق (Deep Reinforcement Learning) و یا به اختصار DRL به وجود آمده است. رویکرد DRL کاربردهای بسیار متنوعی در صنایع، بازارهای مالی، سیستمهای سلامت، بازیهای کامپیوتری و خودروهای خودران و … دارد.
در سال 2015 آقای دیوید سیلور (David Silver) به همراه همکاران خود عملکرد الگوریتم DDQN را در انجام بازیهای کامپیوتری نشان دادند و نتایج آن خیره کننده بود. در بسیاری از بازیها، عامل یادگیرنده با استفاده از الگوریتم DDQN موفق به بهبود بهترین رکورد به دست آمده شده بود.
به منظور آشنایی بیشتر با عملکرد الگوریتم های RL و DRL، در زیر کلیپ از عملکرد عامل یادگیرنده با استفاده از DRL برای انجام بازیهای آتاری آورده شده است. مشاهده خواهد شد که عامل در ابتدای انجام بازی، اقدامات بدون هدفی را انتخاب می‌کند. ولی بعد از گذشت زمان، رفته رفته عملکرد مطلوبی از خود نشان می‌دهد.
جهت آشنایی بیشتر با الگوریتمهای یادگیری تقویتی مطالب”یادگیری تقویتی چیست؟” و “کاربرد یادگیری تقویتی” را مطالعه نمایید.
