[強化学習][ゼロつく] 強化学習基礎ワード整理（～動的計画法）

強化学習ってなに？ 収益を最大化するために状態に応じた適切な行動を学習する手法 例）将棋の場合 収益 = 勝率 状態 = 局面 行動 = 指し手 教師あり学習との違い 状態が変わる 強化学習：行動によって状態が変わっていく 教師あり学習：ラベルを推論してもデータは変化しない 収益を得るまでに時間がかかる 強化学習：複数回の行動によって収益を得る 教師あり学習：推論ひとつひとつに正解がある 学習箇所がいろいろある 強化学習：状態→行動、行動→収益、状態→収益など様々な関係を学習 教師あり学習：データ→ラベルの学習のみ マルコフ決定過程（MDP） 行動によって次の状態が決まったり、報酬がもらえたりする形式のこと ⇒状態遷移や報酬のもらえ方が決まる ⇒強化学習の問題設定が決まる マルコフ性：次の状態が現在の状態のみによって決まる性質 行動→次の状態：p (s' | s, a)で決まる 行動→報酬