Я пытаюсь разработать итеративный агент марковского процесса принятия решений (MDP) в Python со следующими характеристиками: observable state I handle potential 'unknown' state by reserving some state space for answering query-type moves...

Я должен придумать агент MDP, который использует итерацию политики и итерацию значения для назначения, и сравнить его производительность со значением полезности состояния. Как агент MDP, зная вероятности перехода и вознаграждения, узнает, какое...

В любом из стандартных алгоритмов обучения с подкреплением, которые используют обобщенную временную разность (например, SARSA, Q-обучение), возникает вопрос, какие значения использовать для гиперпараметров лямбда и гамма для конкретной задачи. Я...

Решения для экзаменов Я изучаю марковский процесс принятия решений и для вопроса 6 экзамена (см. ссылку, прикрепленную выше) я понимаю, как рассчитывается полезность, когда такое же состояние получается после действия (часть а вопроса 6)....

Я пытаюсь показать навигацию на графике R. Текущий статус во время один или (t1) устанавливается как val$currentstatus, а следующий статус в (t2) должен отображаться на графике на основе действия, которое пользователь выбирает в чековой книжке....

Я изучаю марковский процесс принятия решений. Я не знаю, где отметить терминальные состояния. В мире сетки 4x3 я отметил конечное состояние, которое считаю правильным (могу ошибаться) с помощью T. Рис Я видел состояние терминала с пометкой...