KK462 https://blog.hatena.ne.jp/KK462/ 技術について語るときに僕の語ること https://kentakudo.hatenablog.com/ 強化学習について調べた際のメモです。 達成したいゴールがあるが、各行動に対する評価は与えられない場合 「行動の選択肢」と「報酬」 強化学習という名前は脳の学習メカニズムであるオペラント学習に由来する 報酬は「連続した行動の結果」に対して与えられる(フィードバックに時間差がある) 報酬から各行動に対する評価を自分で与える ステップごとの評価を与えなくて良いので教師あり学習よりも複雑な問題を扱える 学習に時間がかかる 状態S、モデルT(状態遷移の関数)、行動A、報酬Rでモデル化 → Markov Decision Process (MDP) 時間的な制約下で報酬を最大化するような、ポリシーπ(S … 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fkentakudo.hatenablog.com%2Fentry%2F2018%2F03%2F10%2F194447" title="強化学習について - 技術について語るときに僕の語ること" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> Hatena Blog https://hatena.blog 2018-03-10 19:44:47 rich https://kentakudo.hatenablog.com/entry/2018/03/10/194447 1.0 100%