モンテカルロ法とは
強化学習におけるモンテカルロ法（Monte Carlo Methods）とは、エピソード全体を実行した後、実際に得られたリターン（累積報酬）を用いて価値関数を推定する手法の総称です。エピソードの完了が必要ですが、環境のモデル（遷移確率や報酬関数）を必要としないモデルフリーな手法です。
モンテカルロ推定の仕組み
モンテカルロ法では、各状態（または状態-行動ペア）について、それが出現したエピソードでの実際のリターンGを記録し、その平均を価値推定とします。初回訪問法（First-Visit）は各エピソードで状態に初めて訪れた時のリターンのみを使い、全訪問法（Every-Visit）はすべての訪問でのリターンを使います。
バイアスとバリアンス
モンテカルロ法の大きな利点はバイアスがないことです。実際のリターンを使うため、推定値は真の価値に収束します。しかし、リターンのランダム性が大きいためバリアンスは高く、収束に多くのサンプルが必要です。
TD学習との位置づけ
モンテカルロ法はエピソード完了後に一括で更新する「バッチ学習」的な性格を持ちます。対してTD学習は各ステップで逐次更新が可能です。両者を統合したTD(λ)やGAEといった手法が、実用的な強化学習アルゴリズムの基礎となっています。