「これからの強化学習 2016（編 牧野貴樹）」のp6〜 多腕バンディット問題（腕はAとB）を解く例 初期の一定試行だけランダムに探索し、その結果から各腕の報酬期待値を計算し、それ以降は最適と推定した選択だけを続ける（greedy）。 腕Aの真の報酬確率は0.6…