ディープラーニング用語ドリル

機械学習・強化学習No.066 / 293

バンディットアルゴリズム

どの選択肢が良いかわからない中で、試す（探索）と良いものを使う（活用）のバランスをとる方法。UCB方策など。

カードで練習 書いて答える問題に挑戦

確認問題

次の説明に当てはまる用語はどれか。

行動価値を、次の状態で実際に選んだ行動の価値を使って更新する強化学習の方法。