A3C（Asynchronous Advantage Actor-Critic）の理論
A3C（Asynchronous Advantage Actor-Critic）...
DQN（Deep Q-Network）の理論と実装
Q学習は強力なアルゴリズムですが、状態空間が大きい（あるいは連続的な）問題ではQ...
PPO（Proximal Policy Optimization）の理論と実装
PPO（Proximal Policy Optimization）はOpenAI...
Q学習とSARSAの理論と実装
動的計画法による方法（価値反復法、方策反復法）は環境モデル（遷移確率 $P$ と...
マルコフ決定過程（MDP）の定式化
強化学習の理論的基盤となるのがマルコフ決定過程（MDP）です。MDPはエージェン...
ベルマン方程式の導出と意味
ベルマン方程式は強化学習の理論的中核をなす方程式です。価値関数の再帰的な関係を記...
方策勾配法の理論と実装
Q学習やSARSAなどの価値ベースの手法は価値関数を学習し、そこから方策を導きま...
動的計画法（価値反復・方策反復）を解説して実装する
動的計画法（Dynamic Programming, DP）は、マルコフ決定過程...
モンテカルロ法による強化学習を解説して実装する
モンテカルロ法（Monte Carlo method, MC法）は、環境のモデル...
TD学習（Temporal Difference Learning）の理論と実装
TD学習（Temporal Difference Learning）は、モンテカ...