Reinforcement Learning stößt mit klassischen tabellarischen Methoden – etwa Q-Tables – schnell an Grenzen, sobald der Zustandsraum kontinuierlich oder sehr hochdimensional wird. Funktionsapproximation überbrückt diese Lücke, indem sie den Wert einer Zustands-Aktions-Kombination nicht exakt speichert, sondern durch eine parametrisierte Funktion schätzt. Der Artikel auf Towards Data Science ordnet die verschiedenen Klassen von Approximationsfunktionen ein: lineare Modelle, polynomiale Basisfunktionen sowie neuronale Netze als universelle Approximatoren. Ein zentrales Konzept ist dabei die Unterscheidung zwischen On-Policy- und Off-Policy-Lernverfahren, da die Wahl der Approximationsfunktion die Stabilitätseigenschaften des Trainings direkt beeinflusst. Bekannte Verfahren wie Semi-Gradient TD(0) oder Deep Q-Networks (DQN) bauen konzeptuell auf diesen Grundlagen auf und werden durch die Einordnung besser verständlich. Der Beitrag richtet sich an Leserinnen und Leser mit Grundkenntnissen in RL, die den Schritt von tabellarischen zu skalierbaren Methoden vollziehen wollen. Er folgt inhaltlich dem Rahmen des Standardwerks „Reinforcement Learning: An Introduction" von Sutton und Barto, transferiert die Konzepte aber in eine praxisnahere Sprache.