Learning - Model freeMonte Carlo - Policy Evaluation

Given a policy p :

Generate m trajectories following p.

For each state s let T(s) include all the suffixes of trajectories starting at s.

^

Let Vp(s) be the average return of T(s).

השקופית הקודמת

השקופית הבאה

חזור אל השקופית הראשונה

הצג גירסה גרפית