強化å¦ç¿’・MDP - ã‚ã—ãŸã‹ã‚‰ãŒã‚“ã°ã‚‹ â€•æ¤€å±‹æœ¬èˆ—æ˜¨æ—¥é»’æ©‹ç ”ãƒ»æ²³åŽŸç ”åˆåŒã®å‹‰å¼·ä¼šã§å¼·åŒ–å¦ç¿’ã«ã¤ã„ã¦è©±ã—ã¾ã—ãŸã€‚話ã—ã¦ã„ã‚‹ä¸ã§ã‚ã‹ã£ãŸã“ã¨ã‚‚ã‚ã‚‹ã®ã§ã€æ•´ç†ã‚’ã™ã‚‹ãŸã‚ã€ãã®ãƒ¡ãƒ¢ãªã©ã€‚ 強化å¦ç¿’ã¨ã¯ 一般的ã«è¨€èªžå‡¦ç†ã§ç”¨ã„られる教師ã‚り機械å¦ç¿’ã¨ã¯å°‘ã—ç•°ãªã‚Šã¾ã™ã€‚教師ã‚ã‚Šå¦ç¿’ã§ã¯å…¥åŠ›(観測データ)x ã¨å‡ºåŠ›(æ£è§£ãƒ©ãƒ™ãƒ«)y ãŒä¸Žãˆã‚‰ã‚Œã€P(y|x)ã‚’ã©ã†è§£ãã‹ã¨ã„ã†å•é¡Œã«ãªã‚Šã¾ã™(雑ãªèª¬æ˜Ž 一方ã€å¼·åŒ–å¦ç¿’ã«ãŠã„ã¦ã¯ã€å…¥åŠ›(観測データ)x ã«å¯¾ã—ã¦ãƒ¢ãƒ‡ãƒ«ã‹ã‚‰ã®å‡ºåŠ›(action)u ãŒã‚ã‚Šã€ãã‚Œã«ã‚ˆã£ã¦è¦³æ¸¬ãƒ‡ãƒ¼ã‚¿x ãŒx' ã¸ã¨å¤‰åŒ–ã—ã¾ã™ã€‚ãã®å¤‰åŒ–ã«å¯¾ã™ã‚‹å ±é…¬é–¢æ•°(reward function)を定義ã—ã€ãã®å ±é…¬é–¢æ•°ã‚’最大化ã™ã‚‹ã“ã¨ã«ã‚ˆã£ã¦ãƒ¢ãƒ‡ãƒ«ã®æŒ¯ã‚‹èˆžã„を決定ã™ã‚‹ã€ã¨ã„ã†ã‚¢ãƒ—ãƒãƒ¼ãƒã«ãªã‚Šã¾ã™ã€‚ 強化å¦ç¿’ã¯ãƒ¢ãƒ‡ãƒ«ã®æŒ¯ã‚‹èˆžã„ã®ç³»åˆ—ã¨ã€ãã‚Œã«å¯¾ã™ã‚‹ãƒ‡ãƒ¼ã‚¿ã®å¤‰åŒ–を扱ã†ã“ã¨ãŒã§ãã‚‹ã®ã§ã€ãƒãƒœãƒƒãƒˆåˆ¶å¾¡ã‚„対話制御ãªã©ã«ã‚ˆã用ã„られã¾ã™ã€‚ 強化å¦ç¿’全体を図ã«
Partially observable Markov decision process - Wikipedia
{{#tags}}- {{label}}
{{/tags}}