Q-学习导论

在本课程的第一单元中，我们学习了强化学习（RL）、RL 过程以及解决 RL 问题的不同方法。我们还训练了我们的第一个智能体并将它们上传到 Hugging Face Hub。

在本单元中，我们将深入探讨一种强化学习方法：基于价值的方法，并学习我们的第一个 RL 算法：Q-学习。

我们还将从头开始实现我们的第一个 RL 智能体，一个 Q-学习智能体，并将在两个环境中训练它

1. Frozen-Lake-v1（无滑倒版本）：我们的智能体将需要从起始状态（S）到达目标状态（G），只能在冰冻的瓷砖（F）上行走，并避开洞（H）。
2. 一辆自动驾驶出租车：我们的智能体将需要学习导航城市，以将乘客从 A 点运送到 B 点。

具体来说，我们将

• 学习基于价值的方法。
• 学习蒙特卡洛和时序差分学习之间的区别。
• 研究并实现我们的第一个 RL 算法：Q-学习。

如果你想在深度 Q-学习上工作，本单元至关重要：深度 Q-学习是第一个玩 Atari 游戏并在其中一些游戏（如打砖块、太空侵略者等）中超越人类水平的深度 RL 算法。

那么，我们开始吧！🚀

< > 在 GitHub 上更新