報酬で行動を学ぶ手法
H社の物流倉庫では、搬送ロボットに通路の進み方を学ばせたい。荷物を早く届けるほど高い点数を与え、棚や他のロボットにぶつかると点数を引く。ロボットが試行錯誤しながら、合計の点数が大きくなる行動の選び方を身につける手法として、最も適切なものを1つ選べ。
- A
クラスタリング
- B
強化学習
- C
転移学習
- D
教師あり学習
正解と解説を見る
正解:B
強化学習は、エージェントが環境の中で行動し、報酬の合計が最大になるような方策を試行錯誤で学ぶ。正解ラベルではなく報酬を手がかりにする点が教師あり学習との違いである。
- A
誤り。似たデータをグループに分ける教師なし学習の手法で、報酬を手がかりに行動を選ぶ仕組みではない。
- B
正しい。環境の中で行動し、得られる報酬の合計が最大になるように行動の選び方(方策)を学ぶ手法。
- C
誤り。ある課題で学習したモデルを別の課題に流用する考え方で、試行錯誤と報酬で学ぶ仕組みそのものではない。
- D
誤り。場面ごとの正しい行動(正解ラベル)を大量に用意する必要がある。この場面で与えられているのは、行動の結果としての点数だけ。
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。