強化学習の枠組み：試行錯誤から学ぶ

報酬を手がかりに試行錯誤で行動を学ぶ、強化学習の枠組みを学びます。基礎層では、正解を教わらずに報酬から学ぶという大枠と、先々の報酬まで見すえる考え方をつかみます。深掘り層では、計算の爆発を防ぐマルコフ性の割り切りから、マルコフ決定過程と割引率、状態価値関数と行動価値関数、Q学習とSARSAまで説明できるようになります。