タグ: #할인율

← すべての記事

• 強化学習の枠組み：MDP、状態・行動・報酬・割引、方針と価値関数を卓球のラケットで読み解く

  強化学習は、状態を見て行動を選び、報酬を受け取ることを繰り返し、報酬の総和を大きくする方針を探します。この記事では、その枠組み（MDP）の5つの要素を卓球のラケットに1つずつ対応させ、第11〜15回で共通して使用するトイプロブレムを作成します。横から見た2次元空間に1自由度の振り子ラケットを置き、DeepMindの実データを元にボールを送りました。ランダム方針はボールを1.5%しか返せず、回転を知らないモデルで格子を探索した古典的プラン

  2026-10-18 · 12 分で読めます #탁구 로봇#강화학습#MDP#가치 함수#할인율