Q学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2024/06/04 03:44 UTC 版)
- ^ Christopher J. C. H. Watkins. “PhD Thesis: Learning from Delayed Rewards”. cs.rhul.ac.uk. 2023年11月30日閲覧。
- ^ Richard S. Sutton; Andrew G. Barto (2018). Reinforcement Learning, second edition: An Introduction. Bradford Books. ISBN 978-0262039246
- ^ Watkins, Christopher J. C. H.; Dayan, Peter (1992-05-01). “Q-learning”. Machine Learning 8 (3): 279–292. doi:10.1007/BF00992698.
[続きの解説]
Q学習
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2020/10/23 16:27 UTC 版)
詳細は「Q学習」を参照 Q学習（Q-learning）は方策オフ型のTD学習。 Q ( s t , a t ) ← Q ( s t , a t ) + α [ r t + 1 + γ max p Q ( s t + 1 , p ) − Q ( s t , a t ) ] {\displaystyle Q(s_{t},a_{t})\leftarrow Q(s_{t},a_{t})+\alpha \left[r_{t+1}+\gamma \max _{p}Q(s_{t+1},p)-Q(s_{t},a_{t})\right]}
※この「Q学習」の解説は、「強化学習」の解説の一部です。
「Q学習」を含む「強化学習」の記事については、「強化学習」の概要を参照ください。
ウィキペディア小見出し辞書の「Q学習」の項目はプログラムで機械的に意味や本文を生成しているため、不適切な項目が含まれていることもあります。ご了承くださいませ。 お問い合わせ。
Q学習と同じ種類の言葉
- Q学習のページへのリンク
