FPGA机器学习之stanford机器学习第十六堂

              Reinforcement Learning

               强化学习。这里举例子是自主飞行的飞机。控制飞机，如果自主写程序的话，会很难，所以需要它自学习。

             最好用的地方，就是下棋。不过，怎么半监督学习算法。只有下棋的结果，赢和输，其实也算是监督了。

所以它就会自主的去赢更多的棋，来学习。

          一直采取行动。就是整个过程一直都在训练着。

                就是在行为过程中，不断的给奖励和批评。来优化更好的方案。

MDP如何工作的。

     选择动作A0，执行新的状态A1，取决于以前的概率。情况。

这个是获得的奖励总和最大。r大于0，小于1.

这样它就不会不断执行a0，a1，做正确的事情，使得奖励最大化。

加1的位置就是我们要走到的地方。就是棋局赢了的 意思。

后面就是的政策价值函数图。

用尽所有的策略。得出最大值。

值迭代算法。

其实那里的.8是0.8的缩略写法。

政策迭代

对于状态很多的，倾向使用迭代方法求解。

不知道状态转移概率。

本人能力有限，但是我努力的学习，发展，现在写的可能有点乱套，总有一天我会成为高手的。