価値反復
各状態の価値を、ベルマン最適方程式に従って繰り返し更新し、最適な方策を求める、環境のモデル（遷移確率）を使った手法として、最も適切なものを1つ選べ。
- A
価値反復
- B
モンテカルロ木探索
- C
DQN
- D
ε-greedy方策
正解と解説を見る
正解：A
価値反復は、環境のモデルが既知のときに、価値関数をベルマン最適方程式で更新し続ける動的計画法。モデルが未知なら、Q学習などを使う。
| 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） |
| 価値反復 | 状態の価値をベルマン方程式で繰り返し更新して、最適な価値を求める |
- A
正しい。動的計画法の一種。
- B
誤り。シミュレーションで有望な手を探索する手法。
- C
誤り。ニューラルネットワークで価値を近似する手法。
- D
誤り。行動の選び方。
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。