3.3. Standard Q-learning model (wit

3.3. Standard Q-learning model (with the forgetting rate αF = 0)
The standard learning model in which the action value for the
unchosen option is not updated is represented by setting αF = 0
in Eq. (9). With this setting,
α∗
t,i = αLδt,i
and Eq. (11) becomes

ผลลัพธ์ (ไทย) 1:

3.3 มาตรฐาน Q-การเรียนรู้แบบ (กับ αF อัตราการลืม = 0)แบบมาตรฐานการเรียนรู้ซึ่งการดำเนินการคุ้มค่าunchosen ไม่มีการปรับปรุงตัวเลือกจะถูกแสดง โดยการตั้งค่า αF = 0ใน Eq. (9) การตั้งค่านี้Α∗t ฉัน = αLδt ฉันและกลายเป็น Eq. (11)

ผลลัพธ์ (ไทย) 3:

3.3 . q-learning แบบมาตรฐาน ( มีลืมคะแนนα F = 0 )การเรียนรู้แบบมาตรฐาน ซึ่งมูลค่าการกระทำสำหรับตัวเลือก unchosen ไม่ได้ปรับปรุง แทน โดยการα F = 0ในอีคิว ( 9 ) ด้วยการตั้งค่านี้α∗T = αผมδฉันและ อีคิว ( 11 ) กลายเป็น