Summary  
This chapter explains the policy iteration algorithm, which alternates between fully evaluating a given policy’s value function and greedily improving the policy based on that value until convergence.

General domain of usage  
Reinforcement learning

**Policy iterationin** perusajatus on yksinkertainen:
1. Valitaan jokin alkuperäinen $$\pi$$ ja $$v$$;
2. Käytetään politiikan arviointia päivittämään $$v$$, kunnes se on yhdenmukainen $$\pi$$:n kanssa;
3. Käytetään politiikan parantamista päivittämään $$\pi$$, kunnes se on ahne suhteessa $$v$$:hen;
4. Toistetaan vaiheet 2-3, kunnes konvergenssi saavutetaan.

Tässä menetelmässä **ei tehdä osittaisia päivityksiä**:
- **Politiikan arvioinnin** aikana arvot päivitetään jokaiselle tilalle, kunnes ne ovat yhdenmukaisia nykyisen politiikan kanssa;
- **Politiikan parantamisen** aikana politiikka tehdään ahneeksi arvotoimintoa kohtaan.

Pseudokoodin perusteella, mikä ehto aiheuttaa policy iterationin ulomman silmukan pysähtymisen?

Vahvistusoppiminen (RL) on koneoppimisen tehokas osa-alue, joka keskittyy älykkäiden agenttien kouluttamiseen vuorovaikutuksessa ympäristönsä kanssa. Tällä kurssilla opit, kuinka agentit löytävät vähitellen tehokkaita toimintatapoja kokeilun ja erehdyksen kautta. Aloitat keskeisistä käsitteistä, kuten Markovin päätösprosesseista ja moniaseisista bändeistä, ja etenet dynaamiseen ohjelmointiin, Monte Carlo -menetelmiin ja aikaisen eron oppimiseen.

Opi, kuinka agentteja koulutetaan tekemään optimaalisia päätöksiä kokeilun ja erehdyksen kautta. Tutustu vahvistusoppimisen teorian perusteisiin. Saat käytännön kokemusta Gymnasium-ympäristön käyttöönotosta ja suorittamisesta.

Hallitse tutkimisen ja hyödyntämisen välinen tasapaino moniaseisen bandiittiongelman avulla. Toteuta toimenpidearvon estimointi, ε-ahne, yläluottamusraja ja gradienttibandiitti -menetelmät. Arvioi algoritmien suorituskykyä simuloiduissa palkkionmaksimointitehtävissä.

Dynaamisen ohjelmoinnin hallinta mallipohjaisessa RL:ssä. Bellman-yhtälöiden hyödyntäminen politiikkojen arvioinnissa ja parantamisessa. Politiikka- ja arvoiterointialgoritmien toteutus. Yleistetyn politiikkaiteroinnin tarkastelu mallittomien menetelmien teoreettisena perustana.

Monte Carlo -menetelmien hallinta mallittomassa RL:ssä. Arvofunktioiden estimointi ja optimaalisten politiikkojen johtaminen täydellisistä episodeista. On-policy- ja off-policy Monte Carlo -ohjausalgoritmien toteutus. Tutkimusstrategioihin perehtyminen mallittoman oppimisen optimointia varten.

Hallitse aikaisen eron oppiminen mallittomassa RL:ssä. Arvioi arvotoimintoja osittaisista episodeista TD(0)-päivitysten avulla. Toteuta on-policy SARSA- ja off-policy Q-Learning -algoritmit. Opi, miten Monte Carlo -menetelmät ja TD-oppiminen yhdistyvät n-askeleen TD:ssä ja TD(λ):ssa.

Politiikan Iterointi

Pseudokoodi

Awesome!

Politiikan Iterointi

Pseudokoodi