Incluye índice

El aprendizaje por refuerzo, una de las áreas de investigación más activas en inteligencia artificial, es un enfoque computacional del aprendizaje mediante el cual un agente trata de maximizar la cantidad total de recompensa que recibe mientras interactúa con un entorno complejo e incierto. En Reinforcement Learning, Richard Sutton y Andrew Barto brindan una descripción clara y simple de las ideas y algoritmos clave del campo. Esta segunda edición ha sido significativamente ampliada y actualizada, presentando nuevos temas y actualizando la cobertura de otros temas.

Al igual que la primera edición, esta segunda edición se enfoca en los algoritmos básicos de aprendizaje en línea, con el material más matemático resaltado en recuadros sombreados. La Parte I cubre la mayor cantidad posible de aprendizaje por refuerzo sin ir más allá del caso tabular para el cual se pueden encontrar soluciones exactas. Muchos algoritmos presentados en esta parte son nuevos en la segunda edición, incluidos UCB, Expected Sarsa y Double Learning. La Parte II amplía estas ideas a la aproximación de funciones, con nuevas secciones sobre temas como las redes neuronales artificiales y la base de Fourier, y ofrece un tratamiento más amplio del aprendizaje fuera de las políticas y los métodos de gradiente de políticas. La Parte III tiene nuevos capítulos sobre las relaciones del aprendizaje por refuerzo con la psicología y la neurociencia, así como un capítulo de estudios de casos actualizado que incluye AlphaGo y AlphaGo Zero, juegos de Atari y la estrategia de apuestas de IBM Watson. El capítulo final analiza los futuros impactos sociales del aprendizaje por refuerzo.