Q-Lernen
Definition
Q-Lernen lernt Aktionswerte aus beobachteten Übergängen und Belohnungen.
Ein modellfreies Off-Policy-Temporal-Difference-Verfahren, das die optimale Q-Funktion über ein Bellman-Optimalitätsupdate aus beobachteten Übergängen schätzt.
Einfach erklärt
Ein Agent probiert Handlungen aus und verbessert daraus seine Einschätzung, welche Entscheidungen langfristig lohnen.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Agent lernt aus Zuständen, Aktionen, Belohnungen und Folgezuständen eine Entscheidungsstrategie.
Grenzen und Fallstricke
- Konvergenz ohne die theoretisch nötigen Bedingungen wie ausreichende Exploration, geeignete Lernraten und ein passendes stationäres Problem annehmen oder Funktionsapproximation ungeprüft einsetzen.
Entstehung & Geschichte
Watkins entwickelte Q-Learning 1989; Watkins und Dayan bewiesen 1992 Konvergenz unter Bedingungen.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Agent lernt aus Zuständen, Aktionen, Belohnungen und Folgezuständen eine Entscheidungsstrategie.
Häufige Fragen
Was bedeutet Q-Lernen?
Ein modellfreies Off-Policy-Temporal-Difference-Verfahren, das die optimale Q-Funktion über ein Bellman-Optimalitätsupdate aus beobachteten Übergängen schätzt. Welche Fehler sollte man vermeiden? Konvergenz ohne die theoretisch nötigen Bedingungen wie ausreichende Exploration, geeignete Lernraten und ein passendes stationäres Problem annehmen oder Funktionsapproximation ungeprüft einsetzen.
Quellen
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: