Reinforcement Learning Chapter 2: Multi-Armed Bandits
3-Second Blueprint (English)
- Multi-armed bandits isolate evaluative reward feedback from state transitions, contrasting with instructive supervised targets.
- Incremental sample-average updates compute action-value estimates in O(1) memory and compute using step-size 1/n error terms.
- Upper Confidence Bound (UCB) improves over uniform epsilon-greedy exploration by weighting action uncertainty alongside value.
Sutton & Barto Ch. 2Multi-Armed BanditsEpsilon-GreedyUCB AlgorithmGradient Bandits
3-Sekunden-Fazit (Deutsch)
- Multi-Armed Bandits isolieren evaluatives Belohnungsfeedback ohne Zustandsübergänge im Gegensatz zum überwachten Lernen.
- Inkrementelle Mittelwert-Updates berechnen Aktionswerte mit O(1)-Speicherbedarf über die Schrittweite 1/n mal Zielabweichung.
- Upper Confidence Bound (UCB) übertrifft gleichverteiltes Epsilon-Greedy, indem es Aktionsunsicherheit gezielt mitbewertet.
Sutton & Barto Kap. 2Multi-Armed BanditsEpsilon-GreedyUCB-AlgorithmusGradient Bandits
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.