Apprentissage Temporel Différentiel

টিডি রিটার্ন

একটি প্রদত্ত স্টেট থেকে প্রত্যাশিত রিটার্নের এস্টিমেশন, যা তাত্ক্ষণিক রিওয়ার্ড এবং ভবিষ্যত ভ্যালু এস্টিমেশনকে টেম্পোরাল ডিফারেন্স পদ্ধতি অনুযায়ী সংযুক্ত করে গণনা করা হয়।

← ফিরে যান