যোগ্যতার চিহ্ন

Q(λ) লার্নিং

Q-লার্নিং-এর অফ-পলিসি এক্সটেনশন যা আংশিকভাবে পর্যবেক্ষণযোগ্য পরিবেশে সর্বোত্তম পলিসির দিকে অভিসরণ ত্বরান্বিত করতে এলিজিবিলিটি ট্রেস ব্যবহার করে।

← ফিরে যান