方策の学習とバンディット：行動の選び方を学ぶ

行動の選び方そのものを学ぶ方策ベースの強化学習と、探索と活用の兼ね合いを扱うバンディットアルゴリズムを学びます。基礎層では、方策を直接うまくする道と、崖のそばのルート選びで分かれるQ学習とSARSAの判断の違いをつかみます。深掘り層では、方策勾配法やREINFORCE、Actor-Critic、ε-greedy方策やUCB方策まで説明できるようになります。