R1 cabang
RL: MDP, return & bandit
Reinforcement learning: agen belajar dari reward, bukan dari jawaban benar. Mulai dari dilema paling dasar, eksplorasi vs eksploitasi (bandit), lalu kerangka MDP: keadaan, aksi, reward, dan return berdiskon.
URUTAN BELAJAR
- agen, lingkungan, reward
- return berdiskon & γ
- bandit: ε-greedy, UCB
- MDP & kebijakan
- nilai V(s) dan Q(s, a)
HASIL YANG DISIMPAN
Perbandingan ε-greedy vs UCB vs serakah di lab Bandit, plus fungsi discounted_returns.
CEK PEMAHAMAN
Kenapa agen yang tidak pernah bereksplorasi bisa terjebak di mesin yang buruk? Hitung return berdiskon [1, 1, 1] dengan γ = 0,9.