بتل کد Battle Codeدارد باز می‌شود…

جواب «Explore or Exploit» چالش 2 از جلسه‌ی 60

سؤال

تابع choose با احتمال epsilon یک عمل تصادفی برمی‌دارد، اما خط بهره‌برداری غلط است و همیشه 0 (یعنی U) را برمی‌گرداند. آن خط را عوض کن تا بهترین عمل ردیف Q[s] را با np.argmax برگرداند. برنامه ۱۰۰ بار انتخاب می‌کند و می‌شمارد؛ خروجی باید این باشد:
{'U': 10, 'D': 7, 'L': 5, 'R': 78}

راهنما

return int(np.argmax(Q[s])): شماره‌ی بزرگ‌ترین عدد ردیف.

یک جواب درست

import random
import numpy as np

ACTIONS = ["U", "D", "L", "R"]
Q = np.array([[-1.0, 2.5, -0.5, 4.1]])
epsilon = 0.3


def choose(s):
    if random.random() < epsilon:
        return random.randrange(4)
    return int(np.argmax(Q[s]))


random.seed(2)
counts = {"U": 0, "D": 0, "L": 0, "R": 0}
for i in range(100):
    counts[ACTIONS[choose(0)]] += 1
print(counts)

اول خودت امتحان کن؛ جواب‌های دیگر هم قبول است. برگرد و خودت حلش کن