↑: [[G検定に関する知識]] - 強化学習において「状態sで行動aをとることの価値」を表す関数：Q(s, a) - 「状態と行動の組み合わせ」を評価する（[[V関数]]は状態のみ） - [[DQN]]（Deep Q-Network）はQ関数をニューラルネットワークで近似する手法 - ε-greedy法：確率εでランダム行動（探索）、それ以外でQ値最大の行動（活用） - Bellman方程式で更新：現在のQ値を次の状態のQ値で更新 - cf. [[V関数]]（状態価値関数）