سوال 83

حل تشریحی سوال شماره 83 شناسایی الگو - یادگیری ماشین

کنکور دکتری مهندسی کامپیوتر 1400

83.

یک عامل یادگیری تقویتی در محیط زیر که شامل ۵ حالت است فعالیت میکند اعداد روی کمانها پاداش را نشان می دهند عامل تنها دو کنش چپ و راست که به صورت قطعی هستند را دارد.

برای $λ = 0.1$ سیاست بهینه کدام است؟

$π^{\cdot} = {B : l e f t, C : l e f t or right, D:right}$

$π^{\cdot} = {B : l e f t, C : r i g h t, D:right}$

$π^{\cdot} = {B : l e f t, C : l e f t,D:left}$

$π^{\cdot} = {B : l e f t, C : l e f t, D:right}$

پاسخ ها

0 پاسخ

تا کنون پاسخی برای این سوال وارد نشده است،

حل تشریحی سوال شماره 83 شناسایی الگو - یادگیری ماشین

کنکور دکتری مهندسی کامپیوتر 1400

پاسخ ها

ارسال پاسخ