什么是强化学习？简短回顾

在强化学习中，我们构建一个可以 做出明智决策 的智能体。例如，一个 学习玩电子游戏 的智能体。或者一个交易智能体，它通过决定 买入哪些股票和何时卖出 来 学习最大化其利益 。

为了做出智能决策，我们的智能体将通过 试错法与环境互动 ，并接收奖励（正面或负面） 作为独特的反馈 ，从而从环境中学习。

它的目标 是最大化其期望的累积奖励 （因为奖励假设）。

智能体的决策过程称为策略 π： 给定一个状态，策略将输出一个动作或动作的概率分布。也就是说，给定环境的观察，策略将提供智能体应该采取的动作（或每个动作的多个概率）。

我们的目标是找到一个最优策略 π* ，也就是，一个能够带来最佳期望累积奖励的策略。

为了找到这个最优策略（从而解决强化学习问题），主要有两种强化学习方法

• 基于策略的方法： 直接训练策略 ，以学习在给定状态下采取哪个动作。
• 基于价值的方法： 训练一个价值函数 ，以学习 哪个状态更有价值 ，并使用这个价值函数 来采取导致该状态的动作 。

在本单元中， 我们将更深入地探讨基于价值的方法。

< > 在 GitHub 上更新