Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи

Когда мы говорим о «решении задач MDP», на самом деле имеется в виду задача нахождения оптимальных функций политики и ценности.

При неконтролируемом обучении модель изучает скрытую структуру, тогда как в RL модель учится на максимизации наград.