方策
強化学習の「方策（ポリシー）」の説明として、最も適切なものを1つ選べ。
- A
エージェントが受け取る報酬の値
- B
ある状態で、エージェントがどの行動をとるかを決める規則（確率）
- C
学習データの正解ラベル
- D
環境の状態が変わる確率
正解と解説を見る
正解：B
方策は、ある状態でどの行動をとるかを決める規則。
| 用語 | 内容 |
|---|---|
| 方策 | 状態から、行動を選ぶ規則（確率で表すこともある） |
| 状態遷移の確率 | 状態sで行動aをとったとき、次の状態s′になる確率（マルコフ決定過程の要素） |
- A
誤り。報酬は環境から受け取るもの。
- B
正しい。強化学習の目的は、報酬の合計が最大になる方策を見つけること。
- C
誤り。強化学習には正解ラベルがない。
- D
誤り。これは状態遷移の確率。
このサイトの問題は、各試験の公開されているシラバスに沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。日本ディープラーニング協会（JDLA）・一般社団法人生成AI活用普及協会（GUGA）の公式サービスではありません。