====== 07 Reinforcement I ======
  * Kontrola výsledků turnaje Reversi. [[mailto:petr.posik@cvut.cz|Hlaste podivnosti]].
  * Odpovědi na dotazy.
  * Model robota-agenta neznáme, chová se nějak podivně, cestu k cíli neznáme, po cestě navíc nějaké pasti, co s tím.

===== Kvíz I - cena uzlů náhodné procházky =====
  * tradiční kvíz, tentokrát na výpočet hodnot stavů při náhodné procházce

/*
  * bodovaný, bonusových 0.5bodu
  * řešení odevzdat do BRUTE do úlohy **lab09quiz**, do půlnoci dne, kdy běží dané cvičení
  * formát: textový soubor, fotka řešení na papíře, pdf - co Vám nejlépe vyhovuje a dokážeme to přečíst
  * správné řešení prodiskutujeme na příštím cvičení
*/

/*
==== Zadání kvíz I ====
  * p. 101, St 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210413-160732_cv101.pdf | cv101}}
  * p. 102, St 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210413-160732_cv102.pdf | cv102}}
  * p. 103, Čt 12:45: {{ :courses:b3b33kui:cviceni:program_po_tydnech:random_walk_p103.pdf |cv103}}
  * p. 104, Čt 14:30: {{ :courses:b3b33kui:cviceni:program_po_tydnech:20210413-160732_cv102.pdf | cv104}}
  * p. 105, Pá 9:15: {{ :courses:b3b33kui:cviceni:program_po_tydnech:random_walk_p105.pdf |cv105}}
*/

{{page>courses:b3b33kui:internal:quizzes#Cena uzlů náhodné procházky}}

===== Kvíz II - Odhad policy z trénovacích epizod=====
  * vysvětlení na příkladu
  * bez bodoveho hodnoceni

/*
  * prezentace z cvičení {{:courses:b3b33kui:cviceni:program_po_tydnech:policy_estimation_example.pdf | Policy Estimation Example}}
*/
> {{page>courses:b3b33kui:internal:quizzes#Odhad policy z trénovacích epizod}}


===== Samostatná práce =====
Práce na úloze [[courses:b3b33kui:semestralni_ulohy:3_mdp:start|Markovské rozhodovací procesy]]. 

Dokončení implementace [[courses:b3b33kui:semestralni_ulohy:testy:start|testů]] pro ověření správnosti specifikace. 
===== Různé =====
  * [[https://www.youtube.com/watch?v=uH-DNeTAYMM|Mystery game video]]