Aprendizaje · Q-learning
Nim
Entrena un agente mediante autoaprendizaje y juega contra la política que emerge de sus valores Q.
Entrenamiento
10.000 partidas contra sí misma
- Partidas
- 0
- Valores Q
- 0
- Alpha
- 0.5
- Epsilon
- 0.1
Regla de actualización
Q(s,a) ← Q(s,a) + α × [r + max Q(s′,a′) − Q(s,a)]Valores de las acciones actuales
mayor es mejorCómo aprende
El agente explora movimientos aleatorios con probabilidad epsilon y actualiza cada valor según la recompensa final. Durante la partida usa siempre la acción con mayor valor Q.
Partida
Juega contra la IA
—
Montón seleccionado—
Fichas que retirar
Regla misère: quien retira la última ficha pierde.
Origen
Proyecto de Harvard CS50 AI
Adaptación del ejercicio Nim de la unidad Learning. La demo reproduce el entrenamiento de 10.000 partidas, la política epsilon-greedy y la actualización de valores Q del código original.