状態空間と行動空間を調べる

Cliff Walking 環境では、エージェントが崖に落ちないように気をつけながら、グリッド状の世界をスタートからゴールまで進みます。プレイヤーが崖の位置に移動すると、スタート地点に戻されます。ゴールに到達するまで移動を続け、到達するとエピソードが終了します。あなたのタスクは、この環境の状態空間と行動空間を調べることです。

Image showing an animation for the cliff walking environment.

この演習はコースの一部です

Pythonで学ぶGymnasiumによるReinforcement Learning

コースを見る

演習の手順

環境 ID CliffWalking を使って Cliff Walking の環境インスタンスを作成します。
行動空間のサイズを計算し、num_actions に保存します。
状態空間のサイズを計算し、num_states に保存します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# Create the Cliff Walking environment
env = ____

# Compute the size of the action space
num_actions = ____

# Compute the size of the state space
num_states = ____

print("Number of actions:", num_actions)
print("Number of states:", num_states)

コードを編集して実行

この演習はコースの一部です

Pythonで学ぶGymnasiumによるReinforcement Learning

SkillTag.level.advancedSkillTag.label

4.8+

無料でコースを始める

Reinforcement Learning（RL）の基礎概念、役割、活用例を通して、RLの世界に踏み出しましょう。エージェントと環境の相互作用というRLの枠組みを理解し、Gymnasiumライブラリで環境を作成し、状態を可視化し、行動を実行する方法を学びます。これにより、RLの概念と応用を実践的に身につけられます。

Exercise 1: 強化学習の基礎 Exercise 2: 強化学習とは何ですか？Exercise 3: RL と他の ML サブドメインの比較 Exercise 4: RL を適用するシナリオ Exercise 5: RLフレームワークを理解して進める Exercise 6: RL のインタラクションループ Exercise 7: エピソード型タスクと連続型タスク Exercise 8: エージェントの戦略に対する割引リターンを計算する Exercise 9: Gymnasium 環境との対話 Exercise 10: Mountain Car 環境をセットアップする Exercise 11: Mountain Car 環境の可視化 Exercise 12: Frozen Lake 環境との対話

Model-Based Learning に焦点を当て、RLをさらに深く学びます。Markov Decision Process（MDP）の要素を整理し、その仕組みを理解しましょう。方策（policy）や価値関数についてスキルを高め、方策反復（policy iteration）と価値反復（value iteration）による方策最適化の手法を習得します。

Exercise 1: マルコフ決定過程 Exercise 2: カスタム Frozen Lake の MDP 構成要素 Exercise 3: 状態空間と行動空間を調べる

現在の演習

Exercise 4: 遷移確率と報酬 Exercise 5: 方策と状態価値関数 Exercise 6: 決定的ポリシーを定義する Exercise 7: 方策に対する状態価値の計算 Exercise 8: ポリシーの比較 Exercise 9: 行動価値関数 Exercise 10: Q値の計算 Exercise 11: 方策の改善 Exercise 12: 方策反復と価値反復 Exercise 13: 最適方策に向けた方策反復の適用 Exercise 14: 価値反復法の実装

RLにおけるModel-Free Learningを段階的に学びます。まず基礎となるMonte Carlo法を導入し、初回訪問法と毎回訪問法のMonte Carlo予測アルゴリズムを実装します。次にTemporal Difference Learningへ移り、SARSAアルゴリズムを学びます。最後にQ-Learningを深く掘り下げ、困難な環境における収束性を分析します。

Exercise 1: モンテカルロ法 Exercise 2: Monte Carlo 法のためのエピソード生成 Exercise 3: first-visit Monte Carlo の実装 Exercise 4: Every-Visit Monte Carlo の実装 Exercise 5: 時間差学習（Temporal Difference Learning）Exercise 6: SARSAの更新則を実装する Exercise 7: SARSAで8x8 Frozen Lakeを解く Exercise 8: Q-learning Exercise 9: Q-learning の更新則を実装する Exercise 10: Q-learning で 8x8 Frozen Lake を攻略する Exercise 11: 滑りやすい Frozen Lake での方策評価

Model-Free RLの発展的手法を扱い、意思決定アルゴリズムを強化します。方策更新をより正確にする Expected SARSA、過大評価バイアスを抑える Double Q-learning を学びます。さらに探索と活用のトレードオフを理解し、最適な行動選択に向けて epsilon-greedy と epsilon-decay の戦略を身につけます。最後にMulti-Armed Bandit問題に取り組み、不確実性下での意思決定を解く手法を適用します。

Exercise 1: Expected SARSA（期待SARSA）Exercise 2: Expected SARSA の更新則 Exercise 3: Expected SARSA を適用する Exercise 4: Double Q-learning Exercise 5: Double Q-learning の更新則を実装する Exercise 6: Double Q-learning を適用する Exercise 7: 探索と活用のバランスを取る Exercise 8: epsilon-greedy 関数の定義 Exercise 9: epsilon-greedy 戦略で CliffWalking を解く Exercise 10: 減衰付きepsilon-greedy戦略でCliffWalkingを解く Exercise 11: 多腕バンディット Exercise 12: マルチアーム・バンディットの作成 Exercise 13: マルチアーム・バンディットを解く Exercise 14: マルチアーム・バンディットにおける収束の評価 Exercise 15: おめでとうございます！