Under this reset assumption, the ta

Under this reset assumption, the task of the learner is to find a near-optimal policy from the start state given repeated visits to this state

ผลลัพธ์ (ไทย) 1:

ภายใต้นี้ตั้งอัสสัมชัญ งานของผู้เรียนคือหานโยบายใกล้ดีที่สุดจากสถานะเริ่มต้นให้ชมซ้ำสถานะนี้

ผลลัพธ์ (ไทย) 2:

ภายใต้สมมติฐานการตั้งค่านี้งานของผู้เรียนคือการหานโยบายที่ใกล้ที่สุดจากรัฐเริ่มต้นการเข้าชมซ้ำให้กับรัฐนี้

ผลลัพธ์ (ไทย) 3:

ภายใต้สมมติฐานนี้ใหม่ , งานของผู้เรียนเพื่อหานโยบายที่เหมาะสมจากรัฐ ใกล้เริ่มได้รับชมภาพนี้ซ้ำ