نگاهی (طولانی) به یادگیری تقویتی – بخش دوم

به بیان رسمی‌تر، تقریباً تمام مسائل RL را می‌توان به عنوان فرآیندهای تصمیم گیری مارکوف (MDP) در نظر گرفت. تمام حالت‌ها در MDP دارای ویژگی “مارکوف” هستند،