В алгоритмі Q-learning вискористовується поняття помилки тимчасової різниці (TD ...
✅ The verified answer to this question is available below. Our community-reviewed solutions help you understand the material better.
В алгоритмі Q-learning вискористовується поняття помилки тимчасової різниці (TD error) обчислюється як . Агент отримав винагороду = 11, максимальне Q-значення наступного стану = 37, поточне значення = 8, фактор дисконтування = 0,69. Обчисліть TD error . Введіть число, округлене до двох знаків після коми.
Want instant access to all verified answers on do.ipo.kpi.ua?
Get Unlimited Answers To Exam Questions - Install Crowdly Extension Now!