✅ Перевірена відповідь на це питання доступна нижче. Наші рішення, перевірені спільнотою, допомагають краще зрозуміти матеріал.
You learn preferences with a gradient bandit. Your average reward so far is R̄ = −19. This morning you cycle on a snowy morning and arrive in 30 minutes (reward −30). What happens to the preferences?