bb5450697118028

http://nhiro.org.s3.amazonaws.com/f/2/f2b1301f5e73d1561bf5992abfa40f65.jpg https://gyazo.com/f2b1301f5e73d1561bf5992abfa40f65

(OCR text)

おさらい:方策(policy)

29

方策 π(a, s) = P(als)

方策はある状態で取る手の確率分布。

最適な方策を見つけるのが強化学習。