2019.2.25 追記：SARSAおよびExpected SARSAのコーディングに誤りがあります．修正したら記事も修正するか別の記事で修正版を出すようにします． はじめに 今回は、以前やった内容の復習が主になります． タイトルにあるとおり、TD学習の手法であるQ学習、SA…

はじめに 前回は、TD（temporal-difference）学習の基本編として定式化とアルゴリズムの紹介を行いました． 強化学習：TD学習（基本編） - 他力本願で生き抜く（本気） 今回は、その中でも有名かつベーシックな学習アルゴリズムであるSARSAとQ学習（Q-learni…