yamaimo0625 https://blog.hatena.ne.jp/yamaimo0625/ いものやま。 https://yamaimo.hatenablog.jp/ 技術 AI 強化学習 久々に強化学習の話。 前回は、価値反復について説明し、プログラムを書いてみた。 今日からは、そもそも状態遷移のモデルが分からない場合に、どうすればいいのかを考えていく。 おさらい まず、以下の記事で状態遷移のモデルとBellman方程式について説明した。 ここでは3つの課題を挙げているけど、もしモデル（状態遷移の確率、および、報酬の期待値）が分かっているなら、方策反復や価値反復を使って方策を改善していけることが分かった。 しかし、実際にはモデルが分かるということはあまりない。 例えば、将棋である局面から次の局面にどのように遷移するかの確率が分かるかといえば、まず分からない。 なので、最後の課題… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Fyamaimo.hatenablog.jp%2Fentry%2F2015%2F09%2F30%2F200000" title="強化学習について学んでみた。（その14） - いものやま。" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://images-fe.ssl-images-amazon.com/images/I/51PNPA99TZL._SL160_.jpg Hatena Blog https://hatena.blog 2015-09-30 20:00:00 rich https://yamaimo.hatenablog.jp/entry/2015/09/30/200000 1.0 100%