В чем разница между итерацией значения и итерацией политики?
В обучении с подкреплением, в чем разница между итерации политики и значение итерации ? Насколько я понимаю, при итерации значений вы используете уравнение Беллмана для поиска оптимальной политики, тогда как при итерации политики вы случайным образом выбираете политику π и находите вознаграждение...