Метод машинного обучения, в котором агент (модель) учится принимать решения, взаимодействуя со средой и получая от неё обратную связь в виде "вознаграждения" или "штрафа". Цель — максимизировать суммарное вознаграждение.
Обучение с подкреплением (Reinforcement Learning, RL) — это парадигма машинного обучения, при которой агент учится принимать решения в определённой среде, взаимодействуя с ней. Основная идея заключается в том, что агент получает «вознаграждение» за правильные действия и «штраф» за неправильные, стремясь максимизировать суммарное вознаграждение за определённое время.
В отличие от обучения с учителем, где модель обучается на размеченных данных, и обучения без учителя, где ищутся скрытые структуры в неразмеченных данных, RL основывается на методе проб и ошибок. Агент не получает прямых инструкций, а самостоятельно исследует среду, формируя стратегии поведения. Он наблюдает за состоянием среды, выполняет действия и получает обратную связь в виде вознаграждения или наказания, а также нового состояния среды. Этот механизм позволяет агенту постепенно улучшать свою политику принятия решений.
RL особенно эффективен в задачах, где процесс принятия решений является последовательным и динамичным, и где невозможно получить полный набор размеченных данных для всех возможных ситуаций. Он лежит в основе создания систем, способных адаптироваться и действовать автономно в сложных и меняющихся условиях.