总结

内容很多！我们来总结一下

• 强化学习是一种从行动中学习的计算方法。我们构建一个智能体，它**通过试错与环境交互**并接收奖励（负向或正向）作为反馈来学习。

• 任何强化学习智能体的目标都是最大化其期望累积奖励（也称为期望回报），因为强化学习基于**奖励假设**，即**所有目标都可以描述为期望累积奖励的最大化。**

• 强化学习过程是一个循环，它输出**状态、行动、奖励和下一个状态**的序列。

• 为了计算期望累积奖励（期望回报），我们对奖励进行折扣：较早（在游戏开始时）获得的奖励**更有可能发生，因为它们比长期未来的奖励更可预测。**

• 要解决强化学习问题，您需要**找到一个最优策略**。策略是智能体的“大脑”，它会告诉我们**在给定状态下应该采取什么行动。**最优策略是**能够使期望回报最大化的行动策略。**

• 有两种方法可以找到最优策略

  1. 通过直接训练策略：**基于策略的方法。**
  2. 通过训练一个价值函数，该函数告诉我们智能体在每个状态下将获得的期望回报，并使用该函数来定义我们的策略：**基于价值的方法。**

• 最后，我们谈到深度强化学习，因为我们引入了**深度神经网络来估计要采取的行动（基于策略的方法）或估计状态的价值（基于价值的方法）**，因此得名“深度”。

< > 在 GitHub 上更新