文行知Cer
2017-10-17 08:55 北京大学 算法工程师
关注
q learning是off policy的，它每次实验选择下一个a是由behavior policy决定的。这里的behavior policy采用了选择q最大的a。如果是sarsa这种on policy的，它会按照之前学习的target policy去选a，一般是epsilon-greedy。 以上是我个人的理解。
查看原帖
点赞 评论
相关推荐
投递美团等公司10个岗位 >
牛客热帖
正在热议
# 25届秋招总结 #
331599次浏览 3135人参与
# 上班苦还是上学苦呢？ #
73569次浏览 656人参与
# 百度开奖 #
185953次浏览 1166人参与
# 地方国企笔面经互助 #
4574次浏览 12人参与
# 如果有时光机，你最想去到哪个年纪？ #
22060次浏览 415人参与
# 选完offer后，你后悔学本专业吗 #
22068次浏览 159人参与
# 阿里云管培生offer #
37329次浏览 424人参与
# 我的实习求职记录 #
6072797次浏览 83555人参与
# 如何一边实习一边秋招 #
997294次浏览 12669人参与
# 找工作时遇到的神仙HR #
553785次浏览 3803人参与
# 入职第一天，你准备什么时候下班 #
21677次浏览 144人参与
# 招聘要求与实际实习内容不符怎么办 #
10825次浏览 277人参与
# bilibili求职进展汇总 #
33351次浏览 357人参与
# 许愿池 #
214941次浏览 2535人参与
# 学历or实习经历，哪个更重要 #
54119次浏览 424人参与
# 你今年的平均薪资是多少？ #
71096次浏览 345人参与
# 实习工作，你找得还顺利吗？ #
248054次浏览 2913人参与
# 通信硬件薪资爆料 #
609754次浏览 5198人参与
# 海康威视求职进展汇总 #
400949次浏览 3408人参与
# 携程求职进展汇总 #
135943次浏览 932人参与
# 正在实习的你，几点下班 #
53455次浏览 396人参与
# 工作两年想退休了 #
53155次浏览 673人参与