Cette séance de cours couvre les méthodes de gradient de politique sur plusieurs étapes temporelles, dans le but de mettre à jour les paramètres de politique pour maximiser la récompense totale escomptée. Les diapositives présentent la dérivation de ces méthodes, y compris le calcul des récompenses accumulées en épisodes et le pseudo-code de l'algorithme REINFORCE.