Python. Реализовать обучающийся вероятностный алгоритм

Сделать отчет.

Отдельно реализуется предметная область (среда, с некоторой вероятностью определяющая какое из набора действий было верным в данный момент) Минимум 4 действия.

Реализовать обучающийся вероятностный алгоритм. 

В начале генерируется N состояний автомата с равновероятными переходами между ними. Равномерно распределить эти состояния между возможными действиями.

Результат работы автомата - действие, выбранное им по текущему состоянию после M шагов.

После выбора действия автомат либо повышает вероятности в выбранных переходах (если действие было выбрано верно), либо понижает их (если неверно).

Посчитать, сколько шагов занимает обучение автомата (переход в устойчивое состояние, где вероятности перестают значимо меняться) и переобучение (обучение из уже обученного состояния, и изменением вероятности успешности разных действий