Reinforcement Learning: An Introduction

La nuova edizione significativamente ampliata e aggiornata di un testo ampiamente diffuso sul Reinforcement Learning, uno dei campi di ricerca più attivi nell'intelligenza artificiale.

Il Reinforcement Learning è un approccio computazionale all'apprendimento in cui un agente cerca di massimizzare la quantità totale di ricompense ottenute interagendo con un ambiente complesso e incerto. In "Reinforcement Learning", Richard Sutton e Andrew Barto offrono una rappresentazione chiara e semplice delle idee e degli algoritmi centrali del campo. Questa seconda edizione è stata notevolmente ampliata e aggiornata, trattando nuovi argomenti e aggiornando quelli esistenti.

Come la prima edizione, anche questa seconda edizione si concentra sugli algoritmi di apprendimento online fondamentali, evidenziando il materiale matematico in riquadri ombreggiati. La Parte I tratta il Reinforcement Learning il più possibile senza andare oltre il caso tabellare, per il quale possono essere trovate soluzioni esatte. Molti degli algoritmi presentati in questa parte sono nuovi nella seconda edizione, tra cui UCB, Expected Sarsa e Double Learning. La Parte II estende queste idee all'approssimazione delle funzioni, con nuove sezioni su argomenti come le reti neurali artificiali e la base di Fourier, e offre un trattamento ampliato dell'apprendimento Off-Policy e dei metodi Policy-Gradient. La Parte III contiene nuovi capitoli sulle relazioni tra il Reinforcement Learning, la psicologia e le neuroscienze, oltre a un capitolo aggiornato sui casi studio, che include AlphaGo e AlphaGo Zero, il gioco di giochi Atari e la strategia di scommessa di IBM Watson. L'ultimo capitolo discute le future implicazioni sociali del Reinforcement Learning.