Reinforcement Learning
1、什么是强化学习
2、如何实现强化学习（方法）
Policy-based：（learn a actor） 代表算法：Policy-Gradient
Value-based：（learn a critic） 代表算法：Deep-Q-Learning
Actor-Critic： 代表算法：A3C
1、什么是强化学习
寻找一个function：
输入：观察到的环境状态
输出：action
目标：最大化累计回报（reward）
1、强化学习的应用：
2、强化学习与监督学习的对比：
在监督学习时，机器在向“老师”学习。我们就是机器的老师：我们告诉机器，我给你一个输入，你就该给我对应的这个输出，我说hello，你就应该回复我Hi！
在强化学习中，机器在向“评价”学习。机器自己学习，我们没告诉他应该具体什么，只给它输出的结果打分，它在一次次的结果中，被批评的过程中自己总结经验。
举个很著名的例子：AlphaGo——它就是在和监督学习强化学习中被训练的。首先，它向棋谱学习，也就是说告诉它应该做什么，应该怎么下，这是固定的套路（监督学习）；其次，到了后期，它的水平很高之后，它开始向对手学习，这个“对手”可以是另一台机器，也可以是人类棋手，它在一次次比赛结果中总结经验（强化学习）。
3、强化学习的难点
- “规划未来”的能力（只开火，不左右）
- “探索世界”的能力（只左右，不开火）
2、如何实现强化学习（方法）
强化学习本质上是找到最优的策略，使累计回报函数最大
Policy-based: 直接基于策略进行建模，输入当前状态，直接输出执行动作
Value-based: 输入当前状态，通过值函数来输出每个动作的价值（reward），再根据reward进一步执行动作
Policy-based：（learn a actor） 代表算法：Policy-Gradient
第一步：建立模型（actor是一个neural network）
- 假设策略是随机性的： 输出的action是一个概率
- 用神经网络的好处： 不需要生成包含所有画面的table
第二步: 评价模型
- 让一个actor去玩很多次游戏，计算每一次得到的R，找到最大的R
- 由于游戏具有随机性，拿同一个actor去多玩几次R都会不一样，所以我们应该求得是R的期望值
第三步：选一个最好的function
