$```$

# TASK $2\mathrm{.}3$

# Complete the update$\_$q$\_$table function $($in Task $2\mathrm{.}3)$

# This function will be called from the q$\_$learning$(...)$ function

# Inputs:

# q$\_$table, r$\_$table, current$\_$state$\_$index, action, next$\_$state$\_$index, alpha$=0\mathrm{.}1,$ gamma$=0\mathrm{.}9$

# Outputs:

# q$\_$table: with updated Q values

def update$\_$q$\_$table$($q$\_$table, r$\_$table, current$\_$state$\_$index, action, next$\_$state$\_$index, alpha$=0\mathrm{.}1,$ gamma$=0\mathrm{.}9)$:

best$\_$next$\_$action $=$ np$.$argmax$($q$\_$table$[$next$\_$state$\_$index$])$

td$\_$target $=$ r$\_$table$[$current$\_$state$\_$index$][$action$]+$ gamma $*$ q$\_$table$[$next$\_$state$\_$index$][$best$\_$next$\_$action$]$

td$\_$error $=$ td$\_$target $-$ q$\_$table$[$current$\_$state$\_$index$][$action$]$

q$\_$table$[$current$\_$state$\_$index$][$action$]+=$ alpha $*$ td$\_$error

return q$\_$table

$```$ Task $2\mathrm{.}3(5$ Points$))$ Test update$\_$q$\_$table function $(0/5)$

Test Failed: unsupported operand type$($s$)$ for divmod$()$: 'tuple' and 'int'