प्रश्न-सीखना

क्यू-लर्निंग एक सुदृढीकरण सीखने वाला एल्गोरिदम है जो परीक्षण और त्रुटि के माध्यम से प्रत्येक कदम के मूल्य को धीरे-धीरे सीखकर एक एजेंट को सिखाता है कि कौन से कार्य सर्वोत्तम परिणाम देते हैं। यह मायने रखता है क्योंकि यह अपने पर्यावरण के नियमों को बताए बिना भी इष्टतम व्यवहार पा सकता है।

क्यू(एस, ए) राज्य में कार्रवाई करने और उसके बाद इष्टतम व्यवहार करने से कुल छूट वाले भविष्य के इनाम का अनुमान लगाता है, न कि केवल तत्काल इनाम का।

अगले कार्यों पर अधिकतम का मतलब है कि क्यू-लर्निंग लालची इष्टतम नीति का मूल्य सीखता है, भले ही एजेंट एक अलग व्यवहार नीति के साथ खोज करता है।

गामा (0 और 1 के बीच) भविष्य के पुरस्कारों में छूट देता है; 1 के पास का मान एजेंट को दूरदर्शी बनाता है, 0 के पास का मान उसे अदूरदर्शी बनाता है।

टीडी त्रुटि नए लक्ष्य अनुमान (इनाम प्लस सर्वोत्तम रियायती भविष्य मूल्य) और पुराने क्यू अनुमान के बीच का अंतर है; अद्यतन इस अंतर को कम करता है।

एक लुकअप टेबल को प्रति राज्य-कार्य युग्म में एक प्रविष्टि की आवश्यकता होती है, जो तब संभव नहीं है जब राज्यों की संख्या अरबों में हो, जो DQN जैसे तंत्रिका-नेटवर्क सन्निकटन को प्रेरित करता है।