一、強化學習要素
（1）agent: 智慧型體
（2）environment: 環境
（3）state: 狀態
（4）policy: 策略
（5）action: 動作
（6）reward: 獎勵
二、智慧型體與環境的互動過程
（1）在每乙個時刻，環境（environment）都將處於乙個狀態（state），智慧型體（agent）可以觀測到環境當前的狀態（state）。
（2）智慧型體（agent）對應當前的狀態（state）根據策略（policy）做出動作（action）。
（3）這個動作（action）會對環境（environment）產生影響，使環境（environment）的狀態（state）發生改變。智慧型體（agent）會從改變後的環境中觀測到新的環境狀態（state）以及得到相應的獎勵（reward）。
強化學習簡介
強化學習是機器想裡面非常重要的乙個派別。智慧型體agent會不斷執行一些操作，通過結果來學習，在不同的環境中分別應該採取怎樣的行動。問題來了，目標為什麼是預期累積獎勵最大化？因為，強化學習原本就是建立在獎勵假說的基礎之上。想表現好，就要多拿獎勵。每乙個時間步 time step 的累積獎勵都可以表示...
強化學習系列1 強化學習簡介
2015年10月，alphago在和歐洲冠軍進行的圍棋賽上獲得了5 0的完勝，其後的深度強化學習也隨之火了起來。從本期開始開個新坑，一步步把強化學習的內容捋一遍。強化學習 reinforcement learning 是用來解決連續決策問題的一種方法。針對的模型是馬爾科夫決策過程 markov de...
深度強化學習簡介
強化學習 reinforcement learning 是機器學習的乙個重要分支，它是用來解決連續決策的問題。強化學習的應用範圍十分廣泛，幾乎包括了所有需要做一系列決策的問題，例如控制電擊讓它執行特定任務，玩棋牌遊戲 alphago 等。它能應用到有序列輸出的問題中，即針對一系列變化的環境狀態，輸出...