Q-обучение: действуем оптимально, даже если не хотим
Алгоритм SARSA — это что-то вроде «разведки боем». Агент исследует ту же политику, которую он использует для получения опыта. Такой тип обучения называют стратегическим, или онлайн-обучением (on-policy).