強化學習是智慧型體與環境的互動（探索和試錯），通過互動資訊來感知環境，從而調整自己的行為，選擇出最好的結果。
強化學習更加側重於從互動中進行目標導向的學習。
【將情境對映到行動，以便最大化數值獎賞訊號。通俗理解為對人學習過程的簡單模擬，相當於人做了多次的探索，把最後的勞動成果以狀態值函式、動作狀態對值函式等方式表達出來。利用探索結果選擇合適的動作來完成自己的任務。】
使用收益訊號來形式化目標是強化學習最顯著的目標之一。收益訊號只能用來傳達什麼是你想要的目標，而不是如何實現目標
要研究的是什麼問題，是否涉及與環境的互動？
這個問題是否適合使用強化學習來解決？（本質上屬於一種優化問題）
智慧型體有哪些狀態，每個狀態對應有哪些動作，與環境的互動規律是否可顯式表達？
與環境的互動是為了什麼？要達成什麼目標？對每個狀態的獎勵如何設定？
分別對應 環境狀態、狀態下對應的動作、動作與狀態轉移的關係、對目標的設定及reward衡量。
強化學習的要素包括策略、獎賞訊號、值函式、環境模型。
在目前你考慮的問題中是否對一些情況作了理想化處理？如果不做理想化處理應該選擇什麼方式來解決這個問題？
【個人理解：強化學習很像自己指定規則來探索環境，根據規則嘗試很多次，把最後收斂的結果輸出來指導決策】
前沿強化學習問題
近年來，深度強化學習 drl 受到了大家的廣泛關注，並且在機械人控制 自動駕駛 推薦系統領域等都得到了應用，但drl目前的發展依然受限，本文將從以下幾方面進行分析和解釋。一 樣本效率sample efficiency 學習所需樣本太多，目前常用的方法有 off policy experience r...
學習強化學習之前需要掌握的3種技能
作者 nathan lambert 編譯 vk towards data science 現代強化學習幾乎完全集中在深度強化學習上。深度強化學習中的 深 一詞意味著在演算法的核心方面使用神經網路。神經網路在學習過程中進行一些高維近似。話雖如此，該模型並不需要具有許多層和特徵，這是乙個普遍的誤解，深層...
關於強化學習的一些思考
問1 增強學習的要素是什麼？答1 1 有限狀態集合s 2 有限動作集合a 3 轉移模型t,t s,a,s p s s,a 狀態s採取動作a後，狀態轉移到s 的概率 4 即時獎勵r,r s,a e rt 1 s,a 問2 增強學習的最終結果是什麼？答2 1 最優的policy 2 確定型策略 a s ...