Pembelajaran penguatan adalah salah satu cabang utama dalam pembelajaran mesin yang berfokus pada pengambilan keputusan berurutan oleh agen untuk memaksimalkan fungsi ganjaran atau reward kumulatif. Metode ini banyak digunakan dalam pengembangan kecerdasan buatan untuk aplikasi seperti robotika, permainan komputer, dan sistem rekomendasi yang memerlukan interaksi berkelanjutan dengan lingkungan. Dalam kerangka pembelajaran penguatan, agen belajar melalui proses trial and error dengan memanfaatkan umpan balik dari lingkungan, dan teori ini memiliki dasar kuat dalam teori keputusan, statistika, serta proses stokastik.
1. Konsep dasar
2. Model matematis
- Proses keputusan Markov
- Fungsi transisi keadaan
- Fungsi reward
- Diskonto (discount factor)
- Persamaan Bellman
- Gagal mengurai (fungsi tak dikenal "\middle"): {\displaystyle V^\pi(s) = \mathbb{E}_\pi \left[ \sum_{t=0}^{\infty} \gamma^t R_{t+1} \,\middle|\, S_0 = s \right]}