Q-Learning 介绍

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

在本单元中，我们将深入研究强化学习方法之一：基于价值的方法，并学习我们的第一个强化学习算法：Q-Learning。

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

1. Frozen-Lake-v1（非光滑版本）：我们的智能体需要通过仅在冰冻的瓷砖 (F) 上行走并避开洞 (H)，从起始状态 (S) 到达目标状态 (G)。
2. 一辆自动驾驶出租车：我们的智能体需要学习在城市中导航，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。
• 了解蒙特卡罗学习和时序差分学习之间的区别。
• 学习并实现我们的第一个强化学习算法：Q-Learning。

如果你想学习深度 Q-Learning，本单元至关重要：深度 Q-Learning 是第一个玩 Atari 游戏并在其中一些游戏（打砖块、太空侵略者等）中击败人类水平的深度强化学习算法。

让我们开始吧！🚀

< > 在 GitHub 上更新