個人的に定義が曖昧な気がして，嫌だったので自分なりの解釈をまとめておく． Off-policy 一般的にOff-policyは学習の過程で方策πの評価と更新を行わない． Off-policyの手法としてはQ-Learningなどが挙げられる． Q-Learning: 状態行動列を用いて価値関数Q…