Q-Table

En el ámbito de la inteligencia artificial y el machine learning, se trata de una estructura de datos utilizada en el aprendizaje por refuerzo para almacenar las recompensas esperadas asociadas a cada par estado-acción.

Funciona como una matriz donde las filas representan los estados posibles del sistema y las columnas representan las acciones disponibles.

Cada celda de la tabla contiene un valor que indica la recompensa esperada al tomar una acción específica desde un estado particular.

Permite a un agente aprender una política óptima para maximizar las recompensas acumuladas, actualizando los valores en función de las interacciones con el entorno mediante ecuaciones como la ecuación de Bellman.

Aunque es eficiente en problemas pequeños, la Q-Table se vuelve impráctica cuando el espacio de estados o acciones es muy grande, dado que su tamaño crece exponencialmente.

Esto ha llevado al desarrollo de enfoques más avanzados como el aprendizaje profundo reforzado, que utiliza redes neuronales para aproximar los valores Q.