TadaoYamaoka https://blog.hatena.ne.jp/TadaoYamaoka/ TadaoYamaokaの開発日記 https://tadaoyamaoka.hatenablog.com/ 強化学習 Atari57 Agent57 付録も読んでいきます。数式多めです。ほぼ自分のメモのために訳しています。 付録A MDPの背景 マルコフ決定プロセス（MDP）はタプルであり、Xは状態空間、Aは行動空間、Pは各状態行動タプルを状態上の確率分布（行動aを選択してxから状態yに遷移する確率をとする）にマッピングした状態遷移分布、報酬関数、割引率0, 1[]を持つ。 確率的ポリシーπは、各状態を行動の分布にマッピングする（は、状態xでアクションaを選択する確率を示す）。 決定論的方策は、行動πの分布で表すこともできる。コンテキストが明確な場合は、残りの部分で同じ表記法πを使用してどちらかの概念を使用する。 をとを使用して、方策によっ… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftadaoyamaoka.hatenablog.com%2Fentry%2F2020%2F04%2F22%2F094256" title="Agent57: Outperforming the Atari Human Benchmarkを読む その８ - TadaoYamaokaの開発日記" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://chart.apis.google.com/chart?cht=tx&chl=%28%5Cmathcal%7BX%7D%2C%5Cmathcal%7BA%7D%2C%20P%2C%20r%2C%20%5Cgamma%29 Hatena Blog https://hatena.blog 2020-04-22 09:42:56 rich https://tadaoyamaoka.hatenablog.com/entry/2020/04/22/094256 1.0 100%