バンディットタスクで遊べます．
グリーディ戦略，ε-グリーディ戦略，ε-グリーディ戦略(減衰)，楽観的初期値を用いたグリーディ戦略，UCB1アルゴリズム，ソフトマックス戦略の簡単な性能比較や
実際にバンディットタスクで遊ぶことができます．
性能比較では10000回のプレイを1セットとし100セットの結果の平均をそれぞれ返します．
グリーディ戦略: 今までに何回当たったかを記録しておき，当たる確率が最も高いものを選びます
ε-グリーディ戦略: 今までに何回当たったかを記録しておき，当たる確率が最も高いものを選びます．ただし，確率εでランダムにスロットを選びます．(ε=0.1)
ε-グリーディ戦略(減衰): εを1000回で1から0.1まで減衰させます．
楽観的初期値を用いたグリーディ戦略: 予想当たり確率の初期値を1とし，alpha*(pred-reward)で更新します．
UCB1アルゴリズム: それぞれのスロットをUCB1値を使って評価をします．
ソフトマックス戦略: ソフトマックス関数の出力を各々のスロットを回す確率とします.
それぞれの戦略はこちらでより詳しく解説しています．