【你问我答】什么是强化学习（RL）？

强化学习又称为增强学习、加强学习、激励学习，是一种从环境状态到行为映射的学习，目的是使动作从环境中获得的累积回报值最大，介于监督学习和无监督学习之间。 强化学习的特点： 试错搜索 延迟回报 适应性 不依赖外部教师信号 主要算法和分类： Policy based, 关注点是找到最优策略。 Value based, 关注点是找到最优奖励总和。 Action based, 关注点是每一步的最优行动。 强化学习是解决序贯决策问题的方法之一，将其纳入马尔科夫决策过程的框架可分为基于模型的动态规划方法和基于无模型的强化学习方法。 有模型学习：在已知模型的环境中学习，对于多步强化学习任务其对应的马尔科夫决策过程四元组表示<S、A、R、P>均为已知。有策略迭代算法、值迭代算法 S:环境的状态空间 A：agent可选择的动作空间 R(s,a)：奖励函数，返回的值表示在状态下执行a动作的奖励 P(s'|s,a)：状态转移概率函数，表示从s状态执行a动作后环境转移至s'状态的概率 无模型学习：模型位置，即状态转移概率、奖赏函数往往未知，无法直接利用Bellman方程来求解得到最优策略，学习算法不依赖环境建模。有蒙塔卡洛强化学习、时序差分强化学习（SARSA和Q-learnin）

巴甫洛夫训狗就是最古老的强化学习。你如果不把狗当动物，当成一段程序。就好理解强化学习了。下面是新闻和报纸摘要时间： 强化学习是机器学习的一个分支，强调如何基于环境行动，以取得最大化的预期利益，其灵感来源于心理学中的行为***理论，即有机体如何在环境的奖励或惩罚刺激下，逐步形成对刺激的预期，产生能最大化利益的习惯性行为。 特点 无特定的数据，只有奖励信号； 奖励信号不一定实时，大部分情况滞后； 研究的不是独立同分布的数据，更多的是时间序列的数据； 当前的行为影响后续的分布；