Обучение с подкреплением для оптимизации

Алгоритм SARSA

Алгоритм обучения с подкреплением по политике, который обновляет Q-значения на основе последовательности Состояние-Действие-Вознаграждение-Состояние-Действие, в отличие от Q-обучения.

← Назад