মডেল-ভিত্তিক গভীর RL

ফরোয়ার্ড ডাইনামিক্স মডেল

ভবিষ্যৎ পরিবেশে কর্মের ফলাফল পূর্বাভাস দেওয়ার জন্য রাষ্ট্রীয় রূপান্তর s_{t+1} = f(s_t, a_t) শেখার পূর্বাভাসমূলক মডেল।

← ফিরে যান