強化学習の要素の対応
小売業のG社は、店舗の日々の発注量を強化学習で決める仕組みを検討している。エージェントが毎日の発注量を決め、その結果として売上・欠品・在庫保管費が生じる。強化学習の要素との対応として正しいものを2つ選べ。
- A
その日の在庫数や曜日は「状態」に当たる
- B
エージェントが決める発注量は「環境」に当たる
- C
1日の利益から欠品損失と保管費を引いた値は「報酬」に当たる
- D
過去に担当者が決めた発注量は「報酬」に当たる
正解と解説を見る
正解:A・C
強化学習では、エージェントが状態を観測して行動を選び、環境から報酬を受け取る。この繰り返しで、累積報酬が大きくなる方策を学ぶ。正解ラベルを与える教師あり学習とは仕組みが異なる。
- A
正しい。エージェントが行動を決めるときに観測する環境の様子が状態にあたる。
- B
誤り。エージェントが選ぶ発注量は「行動」。環境は、行動を受けて需要や在庫を変化させる側を指す。
- C
正しい。行動の結果として環境から返ってくる良し悪しの数値が報酬で、エージェントはその累積を最大化するように学ぶ。
- D
誤り。人の決定を正解として真似させるのは教師あり学習(模倣学習)の考え方で、強化学習の報酬ではない。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。