強化学習
Reinforcement Learning
- 情報が少ない環境とは?
- 例題が与えられない
- 環境のモデルがない
- 効用関数をもたない
- このような環境における学習ではフィードバックを得ることが重要
(例)
ゲームに勝つ，もしくは，負ける．
勝敗の結果を報酬 (reward) もしくは強化 (refinforcement)とみなす．
- 強化学習のタスク
- 学習主体の行為を成功に導く関数を学習するために報酬を用いる．
- ただし各報酬がどの行為に依存するのかは教えない．
- 学習の枠組み
- 環境中の学習主体(エージェント)は状況を知覚する．
- それらを正負の効用値に写像する．
- どの行為をとるかを決定する．
- 二つの基本設計方針
- 状態に関する効用関数を学習し，出力の期待効用を最大化する行為の選
択に利用する．
- 行為−価値 (action-value)関数を学ぶ ⇒ Q-
学習
...Return