Deep Learning avec Keras et TensorFlow

390

Chapitre 10. Apprentissage par renforcement

Par exemple, lorsque l’agent se trouve dans l’état s

0

et choisit l’action a

1

, la somme

attendue des récompenses futures avec rabais est environ égale à 17,0.

Pour chaque état, examinons l’action qui possède la plus haute valeur Q :

>>> np.argmax(Q_values, axis=1) # action optimale pour chaque état

array([0, 0, 1])

On obtient ainsi la politique optimale pour ce MDP, avec un taux de rabais 0,90 :

dans l’état s

0

, choisir l’action a

0

, puis dans l’état s

1

, choisir l’action a

0

(rester sur

place), et dans l’état s

2

, choisir l’action a

1

(la seule possible). Si l’on augmente le

taux de rabais à 0,95, il est intéressant ...