The mapping between situations and

The mapping between situations and actions is called a “policy”, and the selection of actions is random at first, but a “reward” function is used to adjust this selection, given higher “strength” to actions that result in bigger rewards.

ผลลัพธ์ (ไทย) 1:

การแม็ประหว่างสถานการณ์และการดำเนินการเรียกว่า "นโยบาย" และการเลือกการกระทำที่เป็นสุ่มที่แรก แต่ "รางวัล" ถูกใช้เพื่อปรับการเลือกนี้ ให้สูงขึ้น "แรง" การกระทำที่ส่งผลให้รางวัลใหญ่

ผลลัพธ์ (ไทย) 2:

การทำแผนที่ระหว่างสถานการณ์และการกระทำที่เรียกว่า "นโยบาย" และการเลือกของการกระทำที่เป็นแบบสุ่มในตอนแรก แต่ "รางวัล" ฟังก์ชั่นที่ใช้ในการปรับตัวเลือกนี้ให้สูงขึ้น "พลัง" เพื่อการกระทำที่ส่งผลให้ผลตอบแทนที่ใหญ่กว่า

ผลลัพธ์ (ไทย) 3:

แผนที่ระหว่างสถานการณ์และการกระทำที่เรียกว่า " นโยบาย " และเลือกการกระทำแบบสุ่มในตอนแรก แต่เป็น " รางวัล " ฟังก์ชันที่ใช้เพื่อปรับการเลือกนี้ให้สูงขึ้น " ความแข็งแกร่ง " การกระทำที่ส่งผลในรางวัลที่ใหญ่กว่า .