جواب «One Q Update» چالش 3 از جلسهی 18
سؤال
ربات در خانهی 2 به راست ("R") رفت، به خانهی 3 رسید و پاداش -1 گرفت. alpha را با input بگیر (float). «چیزی که واقعاً شد» را حساب کن: target = reward + best_next که best_next بزرگترِ Q[(3, "L")] و Q[(3, "R")] است. بعد Q[(2, "R")] را با قانون بهروز کن. چاپ کن target: 5.0 و new Q: ... (با round(..., 2)). با 0.5 خروجی new Q: 3.5 است.
راهنما
best_next = max(Q[(3, "L")], Q[(3, "R")])، بعد Q[(2, "R")] = Q[(2, "R")] + alpha * (target - Q[(2, "R")]).
یک جواب درست
Q = {(2, "L"): 0.0, (2, "R"): 2.0, (3, "L"): 1.0, (3, "R"): 6.0}
alpha = float(input())
reward = -1
best_next = max(Q[(3, "L")], Q[(3, "R")])
target = reward + best_next
Q[(2, "R")] = Q[(2, "R")] + alpha * (target - Q[(2, "R")])
print("target:", target)
print("new Q:", round(Q[(2, "R")], 2))
اول خودت امتحان کن؛ جوابهای دیگر هم قبول است. برگرد و خودت حلش کن