方策勾配法

方策勾配法は、強化学習で、行動の選び方（方策）を直接パラメータで表し、報酬が大きくなる方向にパラメータを調整する方法です。

■ 試験で押さえるポイント

• 価値を経由せずに、方策そのものを改善します。

• 行動が連続した値をとる問題にも使えます。

■ 過去問での着眼点

価値を学ぶQ学習に対し、方策を直接学ぶ点を区別します。

例: ロボットの腕の動かし方を、うまくいった動きが選ばれやすくなるように調整します。