for which the learning algorithm A

for which the learning algorithm A is not executing an -optimal policy from its current state

ผลลัพธ์ (ไทย) 1:

สำหรับที่จะเรียนรู้อัลกอริทึม A จะไม่ดำเนินนโยบายดีที่สุดจากสถานะปัจจุบัน

ผลลัพธ์ (ไทย) 2:

ซึ่งขั้นตอนวิธีการเรียนรู้ที่จะไม่ดำเนินการ? นโยบาย -optimal จากรัฐในปัจจุบัน

ผลลัพธ์ (ไทย) 3:

ซึ่งอัลกอริทึมการเรียนรู้ ไม่ใช่การเป็น  เหมาะสมจากสถานะปัจจุบันของนโยบาย