---
title: "Deep-Reinforcement-Learning-Agenten · Artificial systems · Entitäten · Simulationshypothese"
url: https://simulation-hypothesis.com/de/entities/ai-drl
description: "Neuronale Netze, die durch Versuch und Irrtum trainiert werden, ein Belohnungssignal zu maximieren."
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, Simulationshypothese (simulation-hypothesis.com)"
---

[Entitäten](https://simulation-hypothesis.com/de/entities) › Künstliche Systeme

# Deep-Reinforcement-Learning-Agenten

Neuronale Netze, die durch Versuch und Irrtum trainiert werden, ein Belohnungssignal zu maximieren. Sie lernen eine Strategie oder Wertfunktion durch Interaktion mit einer Umgebung, oft einer simulierten wie einem Spiel.

Neuronale Netze, die durch Versuch und Irrtum trainiert werden, ein Belohnungssignal zu maximieren. Sie lernen eine Strategie oder Wertfunktion durch Interaktion mit einer Umgebung, oft einer simulierten wie einem Spiel. Bei engen Aufgaben können sie übermenschliches Können erreichen, aber sie sind auf ein einziges Belohnungsziel optimiert.

## Quellen

* Mnih V, Kavukcuoglu K, Silver D, Rusu AA, et al. (2015) Human-level control through deep reinforcement learning. Nature 518(7540):529-533\. doi:10.1038/nature14236.
* Silver D et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature 529:484-489\. doi:10.1038/nature16961.

Anhand der veröffentlichten Kriterien beurteilen