প্রশ্ন ট্যাগ «policy»

যদি পরিবেশটিও স্টকেস্টিক হয় তবে সর্বোত্তম নীতি কি সর্বদা স্টোকাস্টিক (অর্থাত্ রাজ্য থেকে ক্রিয়াকলাপের সম্ভাবনা বন্টনের মানচিত্র) হয়? Intuitively, যদি পরিবেশ নির্ণায়ক (যেমন, যদি এজেন্ট অবস্থায় রয়েছেsগুলিs এবং পদক্ষেপ নেয় aএকটিa, তারপরে পরবর্তী রাষ্ট্র s′গুলি's' যে কোনও সময় পদক্ষেপের বিষয়টি বিবেচনা না করেই সর্বদা একরকম থাকে, তবে সর্বোত্তম নীতিটিও নির্বিচারবাদী …

10 reinforcement-learning  stochastic-policy  deterministic-policy  policy  environment