
the agent can update that policy based on that rewards it get
یعنی در طول زمان این متد پالیسی ای که دارد در حال تغییر میباشد
یعنی برای هر کدام از استیت ها باید این متد پالیسی تغییر کند.
the agent can update that policy based on that rewards it get
یعنی در طول زمان این متد پالیسی ای که دارد در حال تغییر میباشد
یعنی برای هر کدام از استیت ها باید این متد پالیسی تغییر کند.