II BACKGROUND THEORY 92.1 Markov Pr

II BACKGROUND THEORY 9
2.1 Markov Processes 9
2.1.1 Discrete-Time Markov Chain 10
2.1.2 Markov Decision Process 11
2.2 Reinforcement Learning 12


2.2.1 Monte Carlo Method 14
2.2.2 Monte Carlo Estimation of Action Values 15
2.2.3 Monte Carlo Control 16
2.3 On-Policy Monte Carlo Method 17

ผลลัพธ์ (ไทย) 1:

ทฤษฎีเบื้องหลัง II 92.1 กระบวนการ Markov 92.1.1 แยกกันเวลา Markov โซ่ 102.1.2 กระบวนการตัดสินใจของ Markov 112.2 เสริมสร้างการเรียนรู้ 122.2.1 มอน Carlo วิธี 14 2.2.2 มอน Carlo ประเมินค่าดำเนินการ 15 2.2.3 มอน Carlo ควบคุม 16 2.3 ในนโยบาย Monte Carlo วิธี 17

ผลลัพธ์ (ไทย) 2:

ครั้งที่สองมาทฤษฎี 9
2.1 กระบวนการมาร์คอฟ 9
2.1.1 Discrete-Time มาร์คอฟเชน 10
2.1.2 กระบวนการตัดสินใจมาร์คอฟ 11
2.2 เสริมสร้างการเรียนรู้ 12 2.2.1 วิธี Monte Carlo 14 2.2.2 Monte Carlo การประมาณค่าดำเนินการ 15 2.2.3 Monte Carlo ควบคุม 16 2.3 On-นโยบาย Monte Carlo วิธีที่ 17

ผลลัพธ์ (ไทย) 3:

2 ความเป็นมาทฤษฎี 9
9
ตัว 2.1 กระบวนการมาร์คอฟแบบไม่ต่อเนื่องเวลาลูกโซ่มาร์คอฟกระบวนการตัดสินใจแบบ 2.1.2 10
11
2.2 การเสริมแรงการเรียนรู้ 12


2.2.1 วิธีมอนติคาร์โล 14
2.2.2 มอนติคาร์โลกระทำค่าประมาณ 15
2.2.3 Monte Carlo ควบคุม 16
2.3 นโยบายวิธีมอนติคาร์โล 17