Podział metod RL według tego, czy polityka zbierająca dane (behawioralna) jest tą samą, którą się uczy (docelową); część metod off-policy koryguje tę różnicę, np. ważeniem istotności.
Splits RL methods by whether the data-collecting (behaviour) policy equals the learned (target) policy; some off-policy methods correct this mismatch, for example with importance sampling.
Rozróżnienie, czy program uczy się tylko z własnych, bieżących prób, czy także z cudzych lub dawnych doświadczeń.
The distinction between a program learning only from its own current attempts or also from others' or older experience.
Zebrane doświadczenia szybko się dezaktualizują, gdy program zmienia sposób działania, a wyrzucanie ich jest marnotrawstwem.
Collected experience goes stale once the program changes how it acts, yet throwing it away is wasteful.
Jak nauka gotowania tylko z własnych prób w porównaniu z nauką także z cudzych zapisanych przepisów i ich ocen.
Like learning to cook only from your own attempts versus also learning from others' recorded recipes and their ratings.
Asystent zakupowy poprawia rekomendacje na podstawie historii zamówień z czasów, gdy działał według starszych reguł.
A shopping assistant improves recommendations using order history from when it followed older rules.