強化学習の目的

正解：D

強化学習では、将来にわたって得られる報酬の合計を最大にする行動を学習する。

強化学習：エージェントが行動し、環境から状態と報酬を受け取る。報酬の合計が最大になる行動を学ぶ。次の状態が現在の状態と行動だけで決まる性質をマルコフ性という。

• A

  誤り。目先の報酬だけでなく、将来にわたって得られる報酬を考える。

• B

  誤り。強化学習には正解ラベルがなく、誤差は最小にするもの。

• C

  誤り。分類問題の評価指標で、強化学習の目的ではない。

• D

  正しい。将来の報酬ほど割り引いて足し合わせた割引累積報酬を、最大にするように行動を学習する。

学習のポイント：強化学習の用語（エージェント、環境、状態、行動、報酬、方策）を押さえる。