Q学习简介
在本课程的第一个单元中，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其上传到Hugging Face Hub**。
在本单元中，我们将**深入探讨强化学习方法之一：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，并在两个环境中对其进行训练
- Frozen-Lake-v1（非滑行版本）：我们的智能体需要**从起始状态（S）到达目标状态（G）**，方法是只在冰冻方块（F）上行走并避开洞穴（H）。
- 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
- 了解**基于价值的方法**。
- 了解**蒙特卡洛和时序差分学习之间的区别**。
- 学习和实现**我们的第一个RL算法**：Q学习。
如果您希望能够进行深度Q学习，则本单元**至关重要**：第一个玩Atari游戏并在其中一些游戏中击败人类水平的深度RL算法（突破、太空侵略者等）。
所以让我们开始吧！ 🚀
< > 在GitHub上更新