Apprentissage par renforcement

sous domaine de l'apprentissage automatique

En intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome (ex. : robot,
agent conversationnel, personnage dans un jeu vidéo, etc.), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense
quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour,
l'environnement procure à l'agent une récompense, qui peut être positive ou négative. L'agent cherche, au travers d'expériences itérées, un comportement
décisionnel (appelé stratégie ou politique, et qui est une fonction associant à l'état courant l'action à exécuter) optimal, en ce sens qu'il maximise la somme
des récompenses au cours du temps.

Applications

Jeux vidéo Atari. Hessel et al. ont montré que l'apprentissage par renforcement donne des programmes meilleurs que les humains.

Jeu de go. AlphaGo Zero sont des programmes qui ont appris à jouer grâce à l'apprentissage par renforcement.

L'apprentissage par renforcement est utilisé dans plusieurs applications : robotique, gestion de ressources[1], vol d'hélicoptères[2], chimie[3]. Cette méthode a
été appliquée avec succès à des problèmes variés, tels que le contrôle robotique[4],[5], le pendule inversé[6], la planification de tâches, les télécommunications,
le backgammon[7] et les échecs[8],[9].

En 2015, Mnih et al.[10] ont montré que l'apprentissage par renforcement permettait de créer un programme jouant à des jeux Atari. Leur système apprend à
jouer à des jeux, en recevant en entrée les pixels de l'écran et le score. Un point intéressant est que leur système n'a pas accès à l'état mémoire interne du jeu
(sauf le score). En 2018, Hessel et al.[11] ont combiné plusieurs techniques pour améliorer les performances du programme. Plus récemment, AlphaGo Zero
est une nouvelle technique d'apprentissage par renforcement où l'agent apprend en étant son propre professeur[12].

Lillicrap et al. ont utilisé l'apprentissage par renforcement pour faire apprendre 20 tâches physiques à un système[13], comme relever un pendule, conduire une
voiture, déplacer un robot sur pattes, et autres manipulations de dextérité.

L'apprentissage par renforcement est utilisé pour résoudre des problèmes d'optimisation[14], comme par exemple le problème de bin packing 3D[15]. Pour le
problème de bin packing 3D, il s'agit d'empiler des cubes de différentes tailles avec des contraintes (comme ne pas dépasser le volume disponible, ou "une
boîte ne peut être au dessus d'une autre", etc.), en optimisant par exemple la hauteur totale. Dans un cadre apprentissage par renforcement, l'agent choisit de
tourner une boîte, de placer une boîte à un certain endroit, etc.

Histoire
L'apprentissage par renforcement dérive de formalisations théoriques de méthodes de contrôle optimal, visant à mettre au point un contrôleur permettant de
minimiser au cours du temps une mesure donnée du comportement d'un système dynamique. La version discrète et stochastique de ce problème est appelée
un processus de décision markovien et fut introduite par Bellman en 1957[16].

Parmi les premiers algorithmes d'apprentissage par renforcement, on compte le Temporal difference learning (TD-learning), proposé par Richard Sutton en
1988[17], et le Q-learning[18] mis au point essentiellement lors d'une thèse soutenue par Chris Watkins en 1989 et publié réellement en 1992[19].

Interface agent-environnement

Le scenario typique d'apprentissage par renforcement : un agent effectue une action sur l'environnement, cette action est interprétée en une récompense et une représentation du nouvel état, et cette nouvelle représentation est transmise à l'agent.

Processus de décision markovien

Classiquement, l'apprentissage par renforcement repose sur un processus de décision markovien (MDP), qui propose un cadre pour le problème d'apprendre à
réaliser un but. Un agent apprend et prend des décisions. Il réagit face à un environnement. Un problème peut-être défini comme un processus de décision
markovien, lorsqu'il présente les propriétés suivantes[20] :

un ensemble fini d'états de l'agent dans l'environnement. Un état peut inclure la position d'un agent, sa vitesse, la position d'autres objets ;
un ensemble fini d'actions que l'agent peut effectuer ; Les actions peuvent être de bas niveau comme faire passer du courant dans un moteur d'un des
bras d'un robot. Elles peuvent aussi être de haut niveau comme décider de prendre un petit déjeuner. Elles peuvent aussi être mentales ou calculatoires
comme décider de faire attention à un objet et de lancer un traitement d'images sur ce dernier ;
un ensemble de valeurs scalaires "récompenses" que l'agent peut obtenir. La récompense peut être à chaque étape comme par exemple gagner de l'altitude
pour un objet volant, le score dans un jeu vidéo. Elle peut aussi être uniquement donnée qu'à la fin de partie : elle vaut typiquement 1 quand l'agent gagne et
0 quand il perd.

Trajectoire

À chaque pas de temps t, l'agent perçoit son état . C'est une variable aléatoire. Il perçoit a priori l'ensemble des actions possibles dans l'état , même
si l'on peut supposer pour simplifier que l'ensemble des actions est le même dans tous les états[21]. Il choisit une action et reçoit de l'environnement un
nouvel état et une récompense . Ainsi, l'agent évolue dans l'environnement et la séquence des états-actions-récompenses s'appelle une trajectoire,
et est définie comme suit :

S0, A0, R1, S1, A1, R2, S2, A2, R3, ...

Politique

À partir de ses interactions, un algorithme d'apprentissage par renforcement calcule une politique , c'est-à-dire une fonction qui à chaque état
préconise une action à exécuter, dont on espère qu'elle maximise les récompenses. La politique peut aussi être probabiliste. Dans ce cas, la politique s'écrit
, c'est-à-dire que est la probabilité que l'agent choisisse d'exécuter a dans l'état s.

Gain

Afin de quantifier le bon apprentissage de l'algorithme, on introduit le gain comme étant la somme des récompenses obtenues :
où T est le temps où on atteint un état terminal dans le processus de décision markovien (MDP). Pour des MDPs sans état terminal, la somme infinie
n'est peut-être pas bien définie. C'est pourquoi l'on introduit un facteur de dévaluation compris entre 0 et 1. On pose alors

qui est convergente et bien définie. Selon la valeur de , on prend en compte les récompenses plus ou moins loin dans le futur pour le choix

des actions de l'agent. Si = 0, l'agent est myope et ne prend que la récompense immédiate (en admettant que ).

Ainsi, la méthode de l'apprentissage par renforcement est particulièrement adaptée aux problèmes nécessitant un compromis entre la quête de récompenses
à court terme et celle de récompenses à long terme.

Exploitation-exploration
Article connexe : Bandit manchot (mathématiques).

Une rangée de machines à sous à Las Vegas.

Un agent apprenant est sujet au compromis entre l'exploitation (refaire des actions, dont il sait qu'elles vont lui donner de bonnes récompenses) et
l'exploration (essayer de nouvelles actions, pour apprendre de nouvelles choses). Ce compromis a été illustré dans l'exemple des bandits manchots, cas qui
correspond à un processus de décision markovien à un état (cf. Chapitre 2 de RL). Dans ce cadre, il y a k machines à sous, dont la loi de probabilité est
inconnue de l'agent apprenant (sinon, il utiliserait toujours une machine à sous d'espérance maximale). L'agent tire les bras des machines. Il peut alors soit :

exploiter ses connaissances et tirer les bras des machines qui lui ont apporté le plus de profit jusqu'à présent ;
explorer, i.e. tester des bras non tirés ou dont le gain était plus faible. Le but de l'exploration est de découvrir une machine à sous prolifique.

Exploiter sans jamais explorer est une approche gloutonne. L'exploitation repose sur la définition de la valeur courante à un certain temps t d'un bras d'une
machine noté a (pour action) :

é ç
.
é é é

Le choix glouton consiste à choisir une action a qui maximise . Dans cette approche gloutonne, l'agent exploite une des meilleures actions mais
n'explore pas d'autres actions qui sont d'apparences moins bonnes. Le problème de l'approche gloutonne (exploitation seulement) est que l'on n'atteint pas
une politique optimale.
Algorithmes

Propriétés des algorithmes d'apprentissage

Model-based VS model-free. L'algorithme est basé sur un modèle (model-based) s'il prend le modèle de l'environnement en entrée. Typiquement, l'algorithme
prend le processus de décision markovien en entrée. En particulier l'algorithme a accès à la fonction de transition et aux probabilités. L'algorithme a accès à
, la probabilité d'être dans l'état et d'avoir la récompense depuis l'état en exécutant l'action . A contrario, un algorithme est model-free s'il
n'utilise pas de modèle en entrée. L'algorithme n'utilise pas les probabilités car il ne les connait pas. Par contre bien sûr, un algorithme model-
free dispose de structures de données pour les états et les actions.

On-policy VS off-policy. L'algorithme est on-policy (par exemple SARSA) lorsqu'il évalue et améliore la politique, qui est la même que celle utilisée pour prendre
des décisions durant l'apprentissage. L'algorithme est off-policy (par exemple Q-learning) si la politique évaluée et améliorée est différente de celle que l'agent
utilise pour prendre des décisions lors de l'apprentissage[22]. On distingue alors la politique cible (target policy) qui est la politique apprise, de la politique
décisionnelle (behavior policy). Les algorithmes off-policy sont généralement plus lents à converger. Par contre les algorithmes off-policy sont plus
généralisables (les algorithmes on-policy sont finalement off-policy où la politique cible et la politique décisionnelle sont les mêmes). Les algorithmes off-
policy peuvent être utilisés lorsque les épisodes sont générés par un contrôleur non conventionnel, ou par un expert humain[23].

Bootstrap. Un algorithme évalue les états dans lesquels il est bon d'être. On dit qu'il "bootstrap" s'il évalue les états en utilisant les précédentes évaluations. Au
contraire, des algorithmes comme Monte Carlo lancent des simulations jusqu'à atteindre un état final pour évaluer et n'utilisent pas d'évaluations précédentes.
L'algorithme Monte Carlo ne "boostrap" pas.

Tabulaire VS approximation. Un algorithme tabulaire stocke dans un tableau les valeurs d'un état en exécutant la politique courante (c'est-à-dire s'il est bon
d'être dans un état - car soit il est intrinsèquement bon, soit parce qu'en suivant la politique depuis cet état, la récompense obtenue sera plus importante).
Typiquement, on stocke dans un tableau les valeurs pour chaque état. D'autres algorithmes stockent à quel point il est bon de jouer une action a dans
un état s via un tableau qui stocke des valeurs . Vu le nombre important d'états (problème appelé malédiction de la dimension), certains algorithmes
utilisent une approximation de cette table.

Valued-based VS policy-gradient. Un algorithme valued-based apprend la valeur d'être dans un état s, ou alors Q(s, a) qui est la valeur de jouer l'action a
dans l'état s. La politique apprise consiste alors à jouer l'action a qui maximise la valeur. SARSA, Q-learning, TD(0) sont valued-based. Un algorithme policy-
gradient manipule directement une politique (représentée avec des paramètres). REINFORCE est policy-gradient.

La table suivante donne les quatre grandes classes d'algorithmes[24]. La table donne aussi les diagrammes backup qui sont des diagrammes utilisés dans la
littérature et qui résument comment les algorithmes fonctionnent. Dans ces diagrammes, un cercle blanc représente un état ; un point noir représente une
action.

Pas de branchement. Généralement pas besoin de modèle car on intéragit avec l'environnement. Branchement. Besoin du modèle pour connaître les actions et les états suivants.

Temporal-difference learning Programmation dynamique

Boostrap. L'évaluation d'un état se fait en fonction des évaluations précédentes (des états suivants).

Monte Carlo Recherche exhaustive (planification)

Pas de boostrap. Évaluation sur tout un épisode jusqu'à atteindre un état final.

Itération sur politique générale

L'idée est de calculer une politique a priori optimale par une itération de deux étapes :

1. Évaluation de la politique courante. L'algorithme manipule une table où pour tout état , la valeur indique s'il est bon, selon la politique
courante, d'être dans l'état .
2. Amélioration de la politique courante. Généralement, on utilise une approche gloutonne pour améliorer la politique. Dans chaque état , on modifie
pour choisir l'action qui maximise le gain, selon les valeurs présentes dans la table .

L'idée d'itération sur politique générale se trouve dans les approches décrites ci-dessous.

Programmation dynamique

La programmation dynamique est une collection d'algorithmes pour calculer des politiques optimales dans le cas où le MDP est connu[25]. Autrement dit, les
comportements de l'environnement sont connus par l'algorithme. Bien que ce cadre ne soit pas réaliste, la programmation dynamique est importante d'un
point de vue théorique. On présente ici deux algorithmes : une itération sur politique (qui implémente l'itération sur politique générale présentée plus haut) ; et
une itération sur valeur. Selon Sutton et Barto, il est en pratique difficile d'identifier a priori, le meilleur des deux algorithmes[26].
Itération sur politique avec programmation dynamique

L'itération sur politique consiste à évaluer la valeur de la politique courante . L'algorithme part d'une politique choisie arbitrairement. Puis successivement :
1. on évalue la politique ; 2. on utilise cette évaluation pour améliorer la politique en cherchant la meilleure action parmi tous les états. L'algorithme s'arrête
quand la politique n'est plus modifiée.

initialiser arbitrairement et pour tout état

boucle
/* 1. évaluer la valeur de la politique */
boucle

pour tout état

jusqu'à ce que soit suffisamment petit

/* 2. amélioration de la politique */
pour tout état

si n'a pas été modifié dans l'étape 2 alors

renvoyer ,

Itération sur valeur

L'itération sur valeur est similaire à l'itération sur politique mais combine l'évaluation de la politique et son amélioration dans la même boucle pour.

initialiser arbitrairement et pour tout état

boucle

pour tout état

/* ici on fait un max sur toutes les actions */

jusqu'à ce que soit suffisamment petit

renvoyer la politique définie par pour tout état ,

Monte Carlo

Les méthodes de Monte Carlo diffèrent de l'approche programmation dynamique sur deux aspects[27]. Tout d'abord, avec Monte Carlo, on tire aléatoirement
des expériences, et du coup on peut apprendre sans connaître le modèle. Mais aussi elle ne se base pas sur du bootstrap : les valeurs estimées ne sont pas
mises à jour en fonction de valeurs estimées précédentes.

Temporal-difference learning

Article détaillé : Temporal difference learning.

Temporal-difference learning (TD) combine les idées de programmation dynamique et Monte Carlo. Tout comme programmation dynamique, il y a du
bootstrap dans TD : les valeurs estimées se basent sur les valeurs estimées précédentes. Comme Monte Carlo, TD n'a pas besoin de modèle et peut apprendre
directement à partir d'expériences. Par contre, contrairement à Monte Carlo, le bootstrap fait qu'on n'est pas obligé d'atteindre la fin d'un épisode pour
commencer à apprendre[28].

Évaluation de la politique courante

L'algorithme prend en entrée une politique . L'évaluation, c'est-à-dire le calcul de la valeur V se fait directement en interagissant avec l'environnement.
 fonction eval( )
initialiser arbitrairement pour tout état
répéter (pour chaque épisode)
initialiser l'état courant S
répéter (pour chaque pas de temps de l'épisode)
A := action donnée par dans l'état S
effectuer l'action a; observer la récompense R et l'état suivant S'

S := S'
jusqu'à ce que S soit terminal

Itération sur politique

Il existe plusieurs algorithmes qui reposent sur le schéma de l'itération sur politique générale. SARSA est on-policy alors que le Q-learning[18] est off-policy.

Malédiction de la dimension
Les algorithmes présentés ci-dessus souffrent d'un énorme espace d'état. On parle de la malédiction de la dimension (curse of dimensionality en anglais). Par
exemple, le nombre d'images possibles d'une caméra est plus grand que le nombre d'atomes de l'univers[29]. Il y a plusieurs solutions pour accélérer le calcul.
La première est de se restreindre à des régions locales de l'espace des états[30],[31],[32],[33]. Une première tentative pour réduire le nombre d'états est
l'abstraction[34],[35] (oublier des éléments d'un état, bisimulation, etc.). Toutefois, l'approximation semble prometteuse - au lieu de programmation dynamique,
on parle de programmation dynamique approximative[36].

Comparaison avec d'autres méthodes

Contrairement aux algorithmes génétiques, au recuit simulé, qui manipulent une politique/un plan dans son ensemble (un algorithme génétique va brasser
plusieurs plans et produire une nouvelle génération de plans ; le recuit simulé va comparer des plans dans leur globalité), l'apprentissage par renforcement
repose sur la notion d'état et l'évaluation des actions[37].

Lien avec la biologie

La formalisation des problèmes d'apprentissage par renforcement s'est aussi inspirée de théories de psychologie animale, comme celles analysant comment
un animal peut apprendre par essais-erreurs à s'adapter à son environnement [réf. nécessaire]. Ces théories ont beaucoup inspiré le champ scientifique de
l'intelligence artificielle et ont beaucoup contribué à l'émergence d'algorithmes d'apprentissage par renforcement au début des années 1980 [réf. nécessaire].

En retour, le raffinement actuel des algorithmes d'apprentissage par renforcement inspire les travaux des neurobiologistes et des psychologues pour la
compréhension du fonctionnement du cerveau et du comportement animal. En effet, la collaboration entre neurobiologistes et chercheurs en intelligence
artificielle a permis de découvrir qu'une partie du cerveau fonctionnait de façon très similaire aux algorithmes d'apprentissage par renforcement tels que le TD-
learning[38]. Il semblerait ainsi que la nature ait découvert, au fil de l'évolution, une façon semblable à celles trouvées par des chercheurs pour optimiser la
façon dont un agent ou organisme peut apprendre par essais-erreurs. Ou plutôt, les chercheurs en intelligence artificielle ont redécouvert en partie ce que la
nature avait mis des millions d'années à mettre en place. En effet, la zone du cerveau qui montre des analogies avec les algorithmes d'apprentissage par
renforcement s'appelle les ganglions de la base, dont une sous-partie appelée la substance noire émet un neuromodulateur, la dopamine, qui renforce
chimiquement les connexions synaptiques entre les neurones. Ce fonctionnement des ganglions de la base a été identifié comme existant chez l'ensemble
des vertébrés[39], et on retrouve le même genre de résultats en imagerie médicale chez l'homme[40].

Enfin, la boucle d'échange scientifique entre neurobiologistes, psychologues et chercheurs en intelligence artificielle n'est pas terminée puisque actuellement,
des chercheurs prennent inspiration du cerveau pour raffiner les algorithmes d'apprentissage par renforcement et essayer ainsi de mettre au point des robots
plus autonomes et adaptatifs que ceux existants[41]. En effet, même si la nature et les chercheurs semblent avoir trouvé séparément une même solution pour
résoudre certains types de problèmes tels que ceux décrits au paragraphe précédent, on se rend bien compte que l'intelligence des robots actuels est encore
bien loin de celle de l'homme ou même de celle de nombreux animaux tels que les singes ou les rongeurs. Une voie prometteuse pour pallier cela est
d'analyser plus en détail comment le cerveau biologique paramétrise et structure anatomiquement des processus tels que l'apprentissage par renforcement, et
comment il intègre ces processus avec d'autres fonctions cognitives telles que la perception, l'orientation spatiale, la planification, la mémoire, et d'autres afin
de reproduire cette intégration dans le cerveau artificiel d'un robot[42].

Voir aussi
Apprentissage par renforcement profond
Apprentissage par renforcement inverse
Planification automatique

Bibliographie
Reinforcement Learning: An Introduction. Richard S. Sutton and Andrew G. Barto. Second Edition. MIT Press, Cambridge, MA, 2018

Références
 1. Hongzi Mao, Mohammad Alizadeh, Ishai Menache et Srikanth Kandula,
« Resource Management with Deep Reinforcement Learning »,
Proceedings of the 15th ACM Workshop on Hot Topics in Networks, ACM,
hotNets '16,‎2016, p. 50–56 (ISBN 978-1-4503-4661-0,
DOI  3 décembre 2018, p. 9861–9871
10.1145/3005745.3005750 (https://dx.doi.org/10.1145/3005745.3005750)
, lire en ligne (http://doi.acm.org/10.1145/3005745.3005750)  [archive],
consulté le 8 décembre 2019)
2. Pieter Abbeel, Adam Coates, Morgan Quigley et Andrew Y. Ng, « An
Application of Reinforcement Learning to Aerobatic Helicopter Flight »,
Proceedings of the 19th International Conference on Neural Information
Processing Systems, MIT Press, nIPS'06,‎2006, p. 1–8 (lire en ligne (http://d
l.acm.org/citation.cfm?id=2976456.2976457)  [archive], consulté le
8 décembre 2019)
3. Zhenpeng Zhou, Xiaocheng Li et Richard N. Zare, « Optimizing Chemical
Reactions with Deep Reinforcement Learning », ACS Central Science,
vol. 3, no 12,‎27 décembre 2017, p. 1337–1344 (ISSN 2374-7943 (https://w
ww.worldcat.org/issn/2374-7943&lang=fr) ,
PMID 29296675 (https://www.ncbi.nlm.nih.gov/pubmed/29296675) ,
PMCID  16. Bellman, R.E. (1957). A Markov decision process. Journal of Mathematical
PMC5746857 (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5746857) ,
DOI  17. Sutton, R.S. (1988). Learning to predict by the method of temporal
10.1021/acscentsci.7b00492 (https://dx.doi.org/10.1021/acscentsci.7b00492)
, lire en ligne (https://doi.org/10.1021/acscentsci.7b00492)  [archive],
consulté le 8 décembre 2019)
4. (en) J. Andrew (Drew) Bagnell et J. Schneider, « Autonomous helicopter
control using reinforcement learning policy search methods », ICRA-01,‎
2001
5. Ng, A and al. (2004). Autonomous helicopter flight via reinforcement
learning. In NIPS 16
6. (en) Donald Michie et Roger A. Chambers, Machine Intelligence 2, North-
Holland, Elsevier and Michie D. (Eds.), 1968, « BOXES : An experiment in
adaptive control »
7. (en) Gerry Tesauro, Machine Learning, 1992, partie 8, chap. 3-4 (« Practical
issues in temporal difference learning »)
8. (en) Arthur Samuel, « Some studies in machine learning using the game of
checkers », IBM Journal of Research and Development,‎1959, p. 210-229
9. (en) Arthur Samuel, « Some studies in machine learning using the game of
checkers II - Recent Progress », IBM Journal of Research and
Development,‎1967, p. 609-615
10. (en) Volodymyr Mnih, Koray Kavukcuoglu, David Silver et Andrei A. Rusu,
« Human-level control through deep reinforcement learning », Nature,
vol. 518, no 7540,‎février 2015, p. 529–533 (ISSN 1476-4687 (https://www.
worldcat.org/issn/1476-4687&lang=fr) ,
DOI 10.1038/nature14236 (https://dx.doi.org/10.1038/nature14236) , lire
en ligne (https://www.nature.com/articles/nature14236)  [archive],
consulté le 8 novembre 2019)
11. « Hessel » (https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/vie
w/17204)  [archive], sur www.aaai.org (consulté le 8 novembre 2019)
12. « AlphaGo Zero: Starting from scratch » (https://deepmind.com/blog/artic
le/alphago-zero-starting-scratch)  [archive], sur Deepmind (consulté le
8 novembre 2019)
13. Timothy P. Lillicrap, Jonathan J. Hunt, Alexander Pritzel et Nicolas Heess,
« Continuous control with deep reinforcement learning »,
arXiv:1509.02971 [cs, stat],‎5 juillet 2019 (lire en ligne (http://arxiv.org/abs/
1509.02971)  [archive], consulté le 16 mars 2020)
14. Mohammadreza Nazari, Afshin Oroojlooy, Martin Takáč et Lawrence V.
Snyder, « Reinforcement learning for solving the vehicle routing
problem », Proceedings of the 32nd International Conference on Neural
Information Processing Systems, Curran Associates Inc., nIPS'18,‎
(DOI 
10.5555/3327546.3327651 (https://dx.doi.org/10.5555/3327546.3327651)
, lire en ligne (https://dl.acm.org/doi/10.5555/3327546.3327651)  [archive],
consulté le 7 novembre 2020)
15. Lu Duan, Haoyuan Hu, Yu Qian et Yu Gong, « A Multi-task Selected
Learning Approach for Solving 3D Flexible Bin Packing Problem »,
Proceedings of the 18th International Conference on Autonomous Agents
and MultiAgent Systems, International Foundation for Autonomous Agents
and Multiagent Systems, aAMAS '19,‎8 mai 2019, p. 1386–1394
(ISBN 978-1-4503-6309-9,
DOI 
10.5555/3306127.3331847 (https://dx.doi.org/10.5555/3306127.3331847)
, lire en ligne (https://dl.acm.org/doi/10.5555/3306127.3331847)  [archive],
consulté le 7 novembre 2020)
Mech., 6:679-684.
differences. Machine Learning, 3:9-44.
18. (en) Christopher J. C. H. Watkins et Peter Dayan, « Q-learning », Machine
Learning, vol. 8, no 3,‎1er mai 1992, p. 279–292 (ISSN 1573-0565 (https://w
ww.worldcat.org/issn/1573-0565&lang=fr) ,
DOI 10.1007/BF00992698 (https://dx.doi.org/10.1007/BF00992698) , lire
en ligne (https://doi.org/10.1007/BF00992698)  [archive], consulté le
19 mars 2020)
19. Watkins, C.J.C.H. & Dayan, P. (1992). Q-learning. Machine Learning, 8:279-
292.
20. (en) The MIT Press, « Reinforcement Learning, Second Edition » (https://mit
press.mit.edu/books/reinforcement-learning)  [archive], sur The MIT Press
(consulté le 6 février 2020), p. 47, Section 3.1 : « The agent-environment
interface »
21. Voir p. 48, note en bas de page 3 de Reinforcement Learning Second
Edition.
22. Section 5.4, p. 100 dans Reninforcement Learning, Second Edition.
23. Section 5.5, p. 103 dans Reinforcement Learning, Second edition.
24. Inspiré de la Figure 8.11 p. 190 dans Reinforcement Learning, Second
edition.
25. cf. Chapter 4 de Reinforcement Learning, Second Edition.
26. p. 87 Section 4.7 de Reinforcement Learning, Second Edition.
27. cf. Chapter 5, p. 116, de Reinforcement Learning, Second Edition.
28. Chapter 6, Section 6.2, p. 124 de Reinforcement Learning - Second edition.
29. (en) The MIT Press, « Reinforcement Learning | The MIT Press » (https://mit
press.mit.edu/books/reinforcement-learning)  [archive], sur
mitpress.mit.edu (consulté le 22 février 2020), p. 195 (introduction de la
partie II)
30. (en) « Planning with deadlines in stochastic domains | Proceedings of the
eleventh national conference on Artificial intelligence » (https://dl.acm.or
g/doi/abs/10.5555/1867270.1867356)  [archive], sur dl.acm.org (consulté
le 19 mars 2020)
 31. (en) « Integrating planning and execution in stochastic domains | 35. Craig Boutilier and Richard Dearden, « Using Abstractions for Decision-
Proceedings of the Tenth international conference on Uncertainty in Theoretic Planning with Time Constraints (AAAI 1994) » (https://www.aaa
artificial intelligence » (https://dl.acm.org/doi/abs/10.5555/2074394.2074 i.org/Papers/AAAI/1994/AAAI94-156.pdf)  [archive]
416)  [archive], sur dl.acm.org 36. « Approximate dynamic programming » (http://adp.princeton.ed
(DOI  u/)  [archive], sur adp.princeton.edu (consulté le 22 février 2020)
10.5555/2074394.2074416 (https://dx.doi.org/10.5555/2074394.2074416)
37. (en) The MIT Press, « Reinforcement Learning, Second Edition | The MIT
, consulté le 19 mars 2020)
Press » (https://mitpress.mit.edu/books/reinforcement-learning)  [archive],
32. (en) Andrew G. Barto, Steven J. Bradtke et Satinder P. Singh, « Learning to act sur mitpress.mit.edu (consulté le 6 février 2020), p. 7 Section 1.4
using real-time dynamic programming », Artificial Intelligence, vol. 72,
38. Houk, J.C., Adams, J.L. & Barto, A.G. (1995). A Model of how the Basal
no 1,‎1er janvier 1995, p. 81–138 (ISSN 0004-3702 (https://www.worldcat.or
Ganglia generate and Use Neural Signals That Predict Reinforcement. In
g/issn/0004-3702&lang=fr) ,
Houk et al. (Eds), Models of Information Processing in the Basal Ganglia.
DOI 
The MIT Press, Cambridge, MA.
10.1016/0004-3702(94)00011-O (https://dx.doi.org/10.1016/0004-3702%2894%2900011-O)
39. Redgrave, P., Prescott, T.J. & Gurney, K. (1999). The basal ganglia: a
, lire en ligne (http://www.sciencedirect.com/science/article/pii/00043702
vertebrate solution to the selection problem? Neuroscience, 89, 1009-1023.
9400011O)  [archive], consulté le 19 mars 2020)
40. O’Doherty, J., Dayan, P., Schultz, J., Deichmann, R., Friston, K. & Dolan, R.
33. « Control Strategies for a Stochastic Planner » (https://www.aaai.org/Libr
(2004). Dissociable Roles of Dorsal and Ventral Striatum in Instrumental
ary/AAAI/1994/aaai94-166.php)  [archive], sur www.aaai.org (consulté le
Conditioning. Science, 304:452-454.
19 mars 2020)
41. Khamassi, M., Lachèze, L., Girard, B., Berthoz, A. & Guillot, A. (2005). Actor-
34. Lihong Li, Thomas J. Walsh et Michael L. Littman, « Towards a Unified
critic models of reinforcement learning in the basal ganglia: From natural
Theory of State Abstraction for MDPs », In Proceedings of the Ninth
to artificial rats. Adaptive Behavior, Special Issue Towards Artificial
International Symposium on Artificial Intelligence and Mathematics,‎2006,
Rodents, 13(2):131-148.
p. 531–539 (lire en ligne (http://citeseerx.ist.psu.edu/viewdoc/summary?d
42. Meyer, J.-A., Guillot, A., Girard, B., Khamassi, M., Pirim, P. & Berthoz, A.
oi=10.1.1.60.1229)  [archive], consulté le 22 février 2020)
(2005). The Psikharpax project: Towards building an artificial rat. Robotics
and Autonomous Systems, 50(4):211-223.

Bibliographie
(en) Tom M. Mitchell, Machine Learning, McGraw-Hill International Editions, 1997 [détail des éditions], chap. 13 Reinforcement Learning, p. 367-390

Liens externes
Reinforcement Learning: An Introduction (http://incompleteideas.net/book/the-book-2nd.html)  [archive] Version complète en PDF de l'ouvrage de référence
de R.S. Sutton et A.G. Barto en 1998.

Portail de l'informatique théorique

Ce document provient de « https://fr.wikipedia.org/w/index.php?title=Apprentissage_par_renforcement&oldid=201363680 ».

La dernière modification de cette page a été faite le 13 février 2023 à 21:20. •

Le contenu est disponible sous licence CC BY-SA 3.0 sauf mention contraire.