ইমপ্লিসিট কিউ-লার্নিং

একটি পদ্ধতি যা বিতরণের বাইরের ক্রিয়াগুলোর সরাসরি মূল্যায়ন এড়িয়ে অন্তর্নিহিতভাবে Q ফাংশন শেখে। IQL শেখার প্রক্রিয়াকে একটি এক্সপেকটাইল লার্নিং সমস্যা হিসেবে গঠন করে অফলাইন ডেটায় অনিশ্চয়তা ভালোভাবে পরিচালনা করে।

← ফিরে যান