Beim Bestärkenden Lernen (engl.: Reinforcement Learning) gibt es anders als bei Multi-Layer-Perzeptronen (MLPs) und Radialen Basisfunktionen-Netzwerken (RBF-Netzen) keinen Teacher/Trainer/Lehrer mehr, sondern nur noch eine Bewertung des Ergebnisses, dass uns sagt, ob wir gut oder schlecht waren. Dies ist ein Mittelding zwischen überwachtem und unüberwachtem Lernen, wie zum Beispiel bei Self-Organizing Feature Maps (SOMs).
Beim bestärkenden Lernen wird dem Netz dagegen nicht die korrekte Ausgabe vorgelegt, sondern nur ein Hinweis darauf, ob die berechnete Antwort richtig ist.
Hingegen nutzen selbstorganisierende Netzmodelle, die minimale Einwirkung von außen. Der Vergleich zwischen Eingabemuster und Ausgabemuster erfolgt hierbei ebenfalls extern, die Gewichtungskorrektur jedoch wird durch das Netz selbst vorgenommen. Der Lehrer gibt hierbei nur ja/nein Antworten. Diese Lernmethode kostet natürlich viel mehr Zeit, da die Änderung der Gewichtungen nicht mehr so differenziert erfolgen kann, wie durch den externen Lehrer im vorigen Lernmodell. Dieses Modell ist biologisch schon plausibler, doch an die Realität kommt es trotzdem nicht sehr nah heran.
Weiter zu » Unüberwachtes Lernen