Martin – Markov Decision Processes

• Lecture slides, guided readings, exercises, and Python notebooks made available on Moodle.

Argomenti del programma: - Fondamenti del reinforcement learning: interazione agente–ambiente, rendimento, politiche, funzioni valore, esplorazione e sfruttamento, e relazione tra osservabilità e proprietà di Markov. - Processi decisionali di Markov finiti: formulazioni scontate ed episodiche, equazioni di Bellman di aspettazione e di ottimalità, politiche ottime, predizione e controllo.

• Lecture slides, guided readings, exercises, and Python notebooks made available on Moodle.

Argomenti del programma: - Fondamenti del reinforcement learning: interazione agente–ambiente, rendimento, politiche, funzioni valore, esplorazione e sfruttamento, e relazione tra osservabilità e proprietà di Markov. - Processi decisionali di Markov finiti: formulazioni scontate ed episodiche, equazioni di Bellman di aspettazione e di ottimalità, politiche ottime, predizione e controllo.