The agent needs to learn how to ass

The agent needs to learn how to assign credit and blame for the actions it takes. A common way of learning to assign
credit is through a technique called Q-learning. Formally, the Q-value of a state-action pair (s, a) while executing a policy Qx (s, a), is the expected cumulative reward resulting from taking action a in state s and following policy  thereafter.A Q-learning-based RL agent learns the optimal policy x indirectly, by learning Qx (s, a) for every state-action pair (s, a) (the Q-value matrix).

ผลลัพธ์ (ไทย) 1:

ตัวแทนความต้องการที่จะเรียนรู้วิธีการกำหนดเครดิตและโทษสำหรับการกระทำที่ใช้ เป็นวิธีการทั่วไปของการเรียนรู้ที่จะกำหนดเครดิต
จะผ่านเทคนิคที่เรียกว่า Q-การเรียนรู้ อย่างเป็นทางการมูลค่า Q-ของคู่รัฐกระทำ (s,) ในขณะที่การดำเนินนโยบาย x Q (s,) เป็นรางวัลสะสมที่คาดว่าจะเกิดจากการดำเนินการในรัฐและนโยบายต่อไปนี้หลังจากนั้นQ-การเรียนรู้ตามตัวแทน RL รู้นโยบายที่เหมาะสม x โดยอ้อมโดยการเรียนรู้ Q  x (s,) สำหรับทุกคู่รัฐกระทำ (s, a) (Q-ค่าเมทริกซ์).

ผลลัพธ์ (ไทย) 2:

แทนต้องเรียนรู้วิธีการกำหนดเครดิต และโทษสำหรับการกระทำที่ใช้ วิธีการเรียนรู้การกำหนด
เครดิตคือเทคนิคที่เรียกว่า Q-เรียนรู้ อย่างเป็นกิจจะลักษณะ Q-ค่าของสถานะการดำเนินการคู่ (s การ) ขณะดำเนิน Qx นโยบาย (s แบบ), เป็นรางวัลสะสมคาดว่าเกิดจากการกระทำการในรัฐ s และต่อนโยบายหลังจากนั้นตัวแทน RL Q-เรียนรู้ตามรู้ x นโยบายเหมาะสมทางอ้อม โดยเรียนรู้ Qx (s เป็น) สำหรับทุก ๆ คู่สถานะการดำเนินการ (s เป็น) (เมตริกซ์ค่า Q)

ผลลัพธ์ (ไทย) 3:

Agent ที่ความต้องการในการเรียนรู้การกำหนดเครดิตและโทษสำหรับการดำเนินการที่ใช้ วิธีใช้โดยทั่วไปของการเรียนรู้ที่จะกำหนด
เครดิตคือผ่านทางเทคนิคที่เรียกว่า Q - การเรียนรู้ อย่างเป็นทางการ Q - มูลค่าของคู่ของรัฐ - action ( S )ในขณะที่การดำเนินการนโยบาย qx ( S )ให้เป็นรางวัลสะสมรวมกันคาดว่าจะเป็นผลมาจากการดำเนินการในรัฐ S และตามนโยบายหลังจากนั้นAgent RL Q - การเรียนรู้ที่ได้เรียนรู้ถึง x นโยบายที่มีการเรียนการสอนโดยอ้อม qx ( s )สำหรับคู่ของรัฐ - ทุกๆการดำเนินการ( s )( Matrix Storage Q - ค่า)..