क्यू-लर्निंग क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. Q-मान Q(s, a) क्या दर्शाता है?
   • राज्य में कार्रवाई करने और फिर बेहतर ढंग से कार्य करने का अपेक्षित दीर्घकालिक इनाम
   • राज्य में होने की संभावना एस
   • जितनी बार कार्रवाई का प्रयास किया गया है
   • केवल कार्रवाई के लिए तत्काल पुरस्कार a
2. Q-लर्निंग को 'ऑफ़-पॉलिसी' क्यों बताया गया है?
   • इसके लिए पर्यावरण के एक मॉडल की आवश्यकता है
   • यह एक अलग, खोजपूर्ण नीति का पालन करते हुए इष्टतम नीति सीख सकता है
   • यह केवल संग्रहीत डेटा पर ऑफ़लाइन काम करता है
   • यह पुरस्कारों को पूरी तरह से नजरअंदाज कर देता है
3. अद्यतन नियम में, छूट कारक गामा क्या नियंत्रित करता है?
   • अन्वेषण दर
   • राज्य तालिका का आकार
   • तात्कालिक पुरस्कारों की तुलना में भविष्य के पुरस्कारों को कितना महत्व दिया गया है
   • एपिसोड की संख्या
4. क्यू-लर्निंग में अस्थायी-अंतर (टीडी) त्रुटि क्या है?
   • दो राज्यों के बीच अंतर
   • एक एपिसोड का कुल इनाम
   • सीखने की दर गुणा गामा
   • r + गामा*अधिकतम Q(s',a') घटा वर्तमान Q(s,a) अनुमान
5. सादा सारणीबद्ध क्यू-लर्निंग पिक्सेल से वीडियो गेम जैसी बड़ी समस्याओं से क्यों जूझता है?
   • किसी तालिका में संग्रहीत करने के लिए अलग-अलग राज्यों की संख्या बहुत बड़ी है
   • यह पुरस्कारों का उपयोग नहीं कर सकता
   • यह केवल दो क्रियाओं के साथ काम करता है
   • गामा 1 के बराबर होना चाहिए
6. एप्सिलॉन-लालची कार्रवाई चयन का उद्देश्य क्या है?
   • हमेशा उच्चतम क्यू-वैल्यू कार्रवाई चुनने के लिए
   • ज्ञात अच्छे कार्यों के दोहन के साथ नए कार्यों की खोज को संतुलित करना
   • छूट कारक सेट करने के लिए
   • Q-टेबल को स्टोर करने के लिए
7. What exploration condition appears in the tabular Q-learning convergence result?
   • Only the greedy action is ever sampled
   • Each state must be visited exactly once
   • Every state-action pair must be visited repeatedly under suitable learning conditions
   • The transition model must be known in advance
8. Why is Q-learning called model-free?
   • It never observes the environment
   • It does not use rewards
   • It requires a complete transition table before learning
   • It updates values from sampled rewards and next states without storing transition probabilities