あるプログラムは、ゲームを何度も自分でプレイし、うまくいくと高い点数(報酬)を失敗すると低い点数を受け取る。正解の操作は誰も教えず、点数を手がかりに、試行錯誤で操作を上達させていった。この学習として、最も適切な選択肢を1つ選べ