Naloga 1

Kaj je glavni izziv, s katerim se sooča algoritem odločanja v kontekstu problema k-ročnih banditov?

  1. Določitev optimalnega zaporedja dejanj pred začetkom prvega časovnega okvira.
  2. Uravnoteženje raziskovanja neznanih dejanj z izkoriščanjem znanih dejanj z visoko nagrado.
  3. Napovedovanje, kako se bo nagrada za vsako dejanje spreminjala skozi čas.
  4. Zmanjšanje skupnega števila dejanj, izvedenih v časovnem obdobju T.

[Skupaj 3 točke]