Suppose a learning algorithm is run

Suppose a learning algorithm is run for one trial of T steps in an MDP M. Let st be the
state encountered on step t and let rt be the tth reward received

ผลลัพธ์ (ไทย) 1:

สมมติว่ามีการเรียกใช้อัลกอริทึมการเรียนรู้สำหรับ ทดลองใช้ T หนึ่งขั้นตอนในตัว M MDP ให้เป็นเซนต์สถานะบนขั้นตอนที และปล่อยให้รังสีที่ได้รับรางวัล tth

ผลลัพธ์ (ไทย) 3:

สมมติว่าอัลกอริทึมการเรียนรู้คือวิ่งหนึ่งทดลอง T ขั้นตอนใน MDP ม. ให้เซนต์เป็น
รัฐพบในขั้นตอนและให้ RT เป็น tth รางวัลที่ได้รับ