Modul ini membahas reinforcement learning pada kasus paling sederhana, yaitu bandit multi-lengan dengan satu state dan pilihan berulang, sehingga transisi state serta faktor diskon dapat ditiadakan. Dari dasar itu muncul dilema eksplorasi versus eksploitasi, lalu strategi dasar epsilon-greedy yang menyeimbangkan keduanya. Pada bagian akhir diperkenalkan penyempurnaan berupa peluruhan epsilon, inisialisasi optimistis, dan UCB1, yang hasilnya bergantung pada eksperimen.
Bandit
Reinforcement learning dengan satu state: eksplorasi versus eksploitasi, epsilon-greedy, dan eksplorasi yang lebih cerdas.
0/0 selesai
- Bandit multi-lengan
Satu state dan pilihan berulang, RL dengan bagian yang bergerak ditiadakan.
- Eksplorasi vs eksploitasi
Dilema yang mendefinisikan seluruh bidang reinforcement learning.
- Epsilon-greedy
Strategi dasar yang menjadi titik awal semua orang.
- Eksplorasi yang lebih cerdas
Peluruhan epsilon, inisialisasi optimistis, dan UCB sebatas pengenalan.