Uczenie funkcji wartości z doświadczenia bez modelu środowiska: Monte Carlo uśrednia pełne zwroty z epizodów, a TD aktualizuje oceny po każdym kroku na podstawie oceny następnego stanu.
Learning value functions from experience without an environment model: Monte Carlo averages full episode returns, while TD updates estimates after every step using the next state's estimate.
To uczenie się oceny sytuacji z własnych prób: po całym przebiegu albo już po każdym kolejnym kroku.
This learns how good situations are from your own attempts: after a whole run, or already after every next step.
Nie znasz reguł świata, a czekanie z wnioskami do samego końca długiego zadania bardzo spowalnia naukę.
You do not know the world's rules, and waiting until the very end of a long task to draw conclusions slows learning badly.
Działa jak poprawianie prognozy dojazdu w trakcie podróży: każdy przejechany odcinek koryguje wcześniejsze oczekiwanie, zanim dotrzesz na miejsce.
It works like updating your arrival estimate during a trip: each stretch you cover corrects the earlier expectation before you get there.
Kierowca szacuje czas powrotu do domu i poprawia go, gdy utknie w korku, zamiast czekać, aż wejdzie do mieszkania.
A driver estimates when they will get home and revises it on hitting a traffic jam, instead of waiting until they walk through the door.