什么是强化学习？简要回顾

在强化学习中，我们构建一个能够**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**学习最大化其收益**的交易智能体，它通过决定**购买哪些股票以及何时出售**来实现收益最大化。

为了做出明智的决策，我们的智能体将通过**与环境互动，并通过反复试验**，以及接收**作为独特反馈的奖励（正向或负向）**来从环境中学习。

它的目标是**最大化其预期累计奖励**（由于奖励假设）。

**智能体的决策过程被称为策略 π：**给定一个状态，策略将输出一个动作或一个动作上的概率分布。也就是说，给定对环境的观察，策略将提供一个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* **，也称为能够产生最佳预期累计奖励的策略。

为了找到这个最优策略（从而解决强化学习问题），**有两种主要的强化学习方法**

• 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些动作。
• 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，**我们将深入探讨基于价值的方法**。

< > 更新 在 GitHub 上