エージェント: 行動する主体

環境に対して行動を選択

報酬を受け取って行動を改善する

環境 : エージェントが行動を取る対象

エージェントが取った行動に応じて状態と報酬を与える

全体が観測可能な場合と部分的にしか観測できない場合がある

部分観測の例：部分観測マルコフ決定過程 - Wikipedia

報酬 : エージェントが行動を取った結果として環境から受け取る値

学習の基準となる

この報酬が大きくなるように学習をする

行動 : エージェントが環境に対してする操作