PPO（Proximal Policy Optimization）の理論と実装
PPO（Proximal Policy Optimization）はOpenAI...
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...
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...
SARSA（On-policy TD制御）の理論と実装を解説
強化学習のTD制御手法には大きく分けてOn-policyとOff-policyの...
Q学習の理論と実装をわかりやすく解説
強化学習において、エージェントが環境と相互作用しながら最適な行動を学ぶ方法はいく...
強化学習の基礎 — MDPとベルマン方程式をわかりやすく解説
強化学習（Reinforcement Learning）は、エージェントが環境と...
RLHFの仕組みを3ステップで完全理解する
RLHF（Reinforcement Learning from Human F...