Section Reinforcement Learning berisi materi 6 chapter. Belajar dari umpan balik lingkungan: MDP, Q-learning, eksplorasi, dan agent gridworld dari nol.

# Konsep Reinforcement Learning

Pahami agent, environment, reward, dan perbedaannya dari supervised learning.

Buka → # Markov Decision Process

Formalkan masalah keputusan berurutan dengan state, action, dan transisi.

Buka → # Q-Learning

Implementasikan algoritme tabular Q-learning dari nol dengan NumPy.

Buka → # Exploration vs Exploitation

Seimbangkan pencobaan baru dengan pemanfaatan pengetahuan terbaik saat ini.

Buka → # Membangun Agent Q-Learning untuk Gridworld

Latih agent menyelesaikan peta gridworld dengan rintangan dan tujuan.

Buka → # Arah Deep Reinforcement Learning

Kenali DQN dan keluarganya sebagai jalan lanjutan setelah Q-learning tabular.

Buka →