0 to niemożliwe ruchy (jeśli jesteś w lewym górnym rogu, nie możesz iść w lewo lub w górę!)
Pod względem obliczeń możemy przekształcić tę siatkę w tabelę.

Nazywa się to tabelą Q ("Q" dla "jakości" akcji). Kolumny będą czterema akcjami (lewa, prawa, góra, dół). Wiersze będą stanami. Wartość każdej komórki będzie maksymalną oczekiwaną przyszłą nagrodą za dany stan i działanie.


Każdy wynik w tabeli Q będzie maksymalną oczekiwaną przyszłością nagrody, którą otrzymam, jeśli podejmiemy tę akcję w tym stanie z najlepszą polisą.

Dlaczego mówimy "z podaną polityką?", Ponieważ nie wdrażamy polityki. Zamiast tego poprawiamy tabelę Q, aby zawsze wybrać najlepszą akcję.

Pomyśl o tym Q-stole jako o grze "ściągnij kartę". Dzięki temu wiemy, dla każdego stanu (każdej linii w tabeli Q), jaka jest najlepsza akcja do wykonania, poprzez znalezienie najwyższego wyniku w tej linii.

Ten artykuł jest drugą częścią darmowej serii postów na blogu o Deep Reinforcement Learning. Aby uzyskać więcej informacji i więcej zasobów, zapoznaj się z sylabusem kursu. Zobacz pierwszy artykuł tutaj .

W tym artykule dowiesz się:

Czym jest Q-Learning
Jak zaimplementować go z Numpy
Wielki obraz: Rycerz i księżniczka

Powiedzmy, że jesteś rycerzem i musisz uratować księżniczkę uwięzioną w zamku pokazanym na powyższej mapie.

Możesz przenosić jedną płytkę na raz. Wróg nie może, ale ląduje na tej samej płytce co wróg, a ty umrzesz. Twoim celem jest przejście do zamku najszybszą możliwą trasą. Można to ocenić za pomocą systemu "punktacji punktowej".

Witam,

Wiele rzeczy zależy od czynników od nas niezależnych ale jedno jest pewne dzięki temu że masz kampanie adwords możesz dotrzeć dokładnie do tego użytkownika który aktualnie poszukuje oferowanego przez Ciebie produktu

fizycznego i psychicznego. Ich udział w cieście jest stosunkowo niewielki, a negocjacje zbiorowe - związek - to jedyny powód, dla którego robią tyle samo, co oni. Inni pracownicy zasługują na to samo - większy kawałek ciasta, które pieczą.

Witam,

Jak co roku wybieramy najlepsze rozwiązanie, które poprawia nasze funkcjonowanie w społeczeństwie i w tym roku wygrał system q matic do zarządzania ruchem ludzi w różnych instytucjach L:)