强化学习第1课：像学自行车一样的强化学习

机器学习算法主要可以分为监督式，非监督式，强化学习三类。

在监督式学习中，我们有数据 x 和标签 y。我们想要找到一个函数来连接 x 和 y。可以选择决策树，线性回归等模型，然后训练这些模型使损失函数达到最小。

例如我们有一个横幅广告预测点击率的问题：

横幅的特征可以是，主题，想要推广的内容，挂在哪个页面，会浏览这个页面的用户的特征。
想要预测的变量只有一个，就是用户是否会点击这个横幅广告。

这时我们可能想要用一些监督式学习的模型，但是有个问题是我们并没有那么多数据，没办法知道每个横幅每个页面每个用户的行为。

虽然在没有数据的情况下，也可以想办法用监督式学习。

例如，可以随机发一些广告，随机的给一些人，随机的选择位置，来生成一些数据，
然后记录用户是否点击进去，不过大多数情况下用户是不点击的。
这样有了这些数据后，就可以应用一些算法，进行预测。

但是有个问题，就算你用这些数据进行预测了，训练了模型了，但是并不敢直接用这个模型得出的决策，
就算用户第一次点击了你发送的广告，但是如果太频繁地发送同样的广告，就会失去用户的信任，
所以我们可能想要尝试一些对用户有益的内容，想要让用户更开心，这