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...
DPO（Direct Preference Optimization）の数学的導出と実装
LLMを人間の好みに沿うように調整する手法として、DPO（Direct Pref...