↑: [[G検定に関する知識]] - 行動価値関数Q（状態×行動ごとの将来報酬の予想値）を学習する価値ベースの代表手法 - オフポリシー：動いている方策と学習している方策が別でよい（Q更新時に次の最良行動を仮定） - 深層化したものがDQN（ディープQネットワーク） - 「Q学習＝オフポリシー」は試験頻出キーワード - cf. [[SARSA]] [[DQN]] [[価値関数]] [[強化学習]]