Zadani c. 18:
Uvazujte dvourozmerny obdelnikovy stavovy prostor o rozmerech 4 x 5
s temito indexy jednotlivych stavu:

      1      2      3      4      5
      6      7      8      9     10
     11     12     13     14     15
     16     17     18     19     20

Dale uvazujte, ze aktualni ohodnoceni jednotlivych stavu po predchozich
prochazkach jsou nasledujici:

 -0.055 -0.066  0.017  0.242  0.077
 -0.069 -0.044 -0.046  0.000  0.526
 -0.300  0.000 -0.091  0.267  0.176
 -0.163 -0.399 -0.132  0.013  0.038

Zadoucim cilovym stavem je stav 9 (reward=1) a nezadoucim cilovym stavem
je stav 12 (reward=-1). Odmeny ve vsech ostatnich stavech jsou nulove.
Metodou TD-learning s koeficienty alpha=0.1 a gamma=0.8 vypocitejte nova
ohodnoceni vsech stavu po prochazce stavy 1 6 7 8 13 18 17 16 11 12 
a vysledek zapiste na radcich c. 27, 28, 29 a 30 ve formatu stejnem jako 
vyse, tj. ve tvaru matice s cisly zaokrouhlenymi na tri desetinna mista.

Reseni: 

 -0.055 -0.066  0.017  0.242  0.077
 -0.066 -0.043 -0.049  0.000  0.526
 -0.370  0.000 -0.092  0.267  0.176
 -0.171 -0.372 -0.151  0.013  0.038