Aprendizado por Reforço, segunda edição: Uma Introdução (série Adaptive Computation and Machine Learning)

A nova edição, significativamente ampliada e atualizada, de um texto amplamente utilizado sobre aprendizado por reforço, uma das áreas de pesquisa mais ativas em inteligência artificial.

O aprendizado por reforço, uma das áreas de pesquisa mais ativas em inteligência artificial, é uma abordagem computacional de aprendizado em que um agente tenta maximizar a quantidade total de recompensa que recebe enquanto interage com um ambiente complexo e incerto. Em Reinforcement Learning, Richard Sutton e Andrew Barto apresentam uma explicação clara e simples das principais ideias e algoritmos da área. Esta segunda edição foi significativamente ampliada e atualizada, com novos tópicos e cobertura atualizada de outros temas.

Assim como a primeira edição, esta segunda edição se concentra nos principais algoritmos de aprendizado on-line, com o material mais matemático destacado em caixas sombreadas. A Parte I cobre o máximo possível do aprendizado por reforço sem ir além do caso tabular, para o qual soluções exatas podem ser encontradas. Muitos algoritmos apresentados nesta parte são novos na segunda edição, incluindo UCB, Expected Sarsa e Double Learning. A Parte II estende essas ideias para aproximação de funções, com novas seções sobre tópicos como redes neurais artificiais e a base de Fourier, e oferece tratamento ampliado de aprendizado off-policy e métodos de gradiente de política. A Parte III traz novos capítulos sobre as relações do aprendizado por reforço com a psicologia e a neurociência, além de um capítulo de estudos de caso atualizado com AlphaGo e AlphaGo Zero, jogadas de Atari e a estratégia de apostas do IBM Watson. O capítulo final discute os futuros impactos sociais do aprendizado por reforço.