Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Q-Pembelajaran
Menyemak nilai-Q, pembelajaran luar dasar, kemas kini Bellman, penerokaan, andaian penumpuan dan sebab pembelajaran-Q bebas model.
soalan 1 daripada 8
Apakah yang diwakili oleh nilai Q Q(s, a)?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah yang diwakili oleh nilai Q Q(s, a)?
- Ganjaran jangka panjang yang diharapkan untuk mengambil tindakan dalam keadaan s, kemudian bertindak secara optimum
- Kebarangkalian berada dalam keadaan s
- Bilangan kali tindakan a telah dicuba
- Ganjaran segera hanya untuk tindakan a
- Mengapakah Q-Learning digambarkan sebagai 'luar dasar'?
- Ia memerlukan model persekitaran
- Ia boleh mempelajari dasar yang optimum sambil mengikuti dasar penerokaan yang berbeza
- Ia hanya berfungsi di luar talian pada data yang disimpan
- Ia mengabaikan ganjaran sepenuhnya
- Dalam peraturan kemas kini, apakah kawalan gamma faktor diskaun?
- Kadar penerokaan
- Saiz jadual negeri
- Berapa banyak ganjaran masa depan ditimbang secara relatif kepada ganjaran segera
- Bilangan episod
- Apakah ralat perbezaan temporal (TD) dalam Q-Learning?
- Perbezaan antara dua negeri
- Jumlah ganjaran episod
- Kadar pembelajaran menggandakan gamma
- r + gamma*max Q(s',a') tolak anggaran Q(s,a) semasa
- Mengapakah Q-Learning jadual biasa bergelut dengan masalah besar seperti permainan video daripada piksel?
- Bilangan keadaan berbeza terlalu besar untuk disimpan dalam jadual
- Ia tidak boleh menggunakan ganjaran
- Ia hanya berfungsi dengan dua tindakan
- Gamma mesti sama dengan 1
- Apakah tujuan pemilihan tindakan rakus-epsilon?
- Untuk sentiasa memilih tindakan nilai Q tertinggi
- Untuk mengimbangi penerokaan tindakan baharu dengan mengeksploitasi tindakan baik yang diketahui
- Untuk menetapkan faktor diskaun
- Untuk menyimpan jadual Q
- 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
- 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