课程进度 2% · 第1/14章第1/14章 · 标签 1/4
— 1 —
强化学习（Reinforcement Learning）概述
基本概念
强化学习是机器学习的一个重要分支，它通过让智能体（Agent）在与环境（Environment）的交互中学习最优策略。智能体通过尝试不同的动作（Action），观察环境的状态（State）和获得的奖励（Reward），逐步学习如何最大化长期累积奖励。
核心思想：通过「试错」（Trial and Error）的方式学习，从经验中不断改进策略。
— 2 —
核心要素
- 智能体（Agent）：学习的主体，负责做出决策和执行动作
- 环境（Environment）：智能体所处的世界，提供状态和奖励信息
- 状态（State）：环境在某一时刻的完整描述
- 动作（Action）：智能体可以执行的操作
- 奖励（Reward）：环境对智能体动作的反馈信号
- 策略（Policy）：智能体的决策规则，决定在给定状态下选择什么动作
主要特点
- 延迟奖励：动作的后果可能在未来才能体现
- 探索与利用：需要在尝试新动作和利用已知好动作之间平衡
- 序列决策：当前决策会影响未来的状态和奖励
- 在线学习：通过与环境交互实时学习