Введение В последние годы популярным способом оценки производительности агентов на основе обучения с подкреплением был набор игр для Atari 2600. Этот пакет, как известно, использовался для оценки прогресса в создании все более интеллектуальных агентов. Знаменитые эксперименты по обучению с подкреплением (RL) в играх Atari используют полное изображение видеоигры для обучения, что делает пространство состояний излишне большим. В этом проекте мы хотим изучить, можем ли мы улучшить RL,..