强化学习学习记录-一些碎片

马尔可夫过程MDP是一种建模方法，很多问题都在用马尔可夫建模

强化学习其实是一种模式套路

目标Q网络和预测Q网络→目标Q网络中有一步是真实的，其余是预测的，预测Q网络中全部是预测的，隔一段时间用预测Q网络的参数去更新目标Q网络的参数

只有连续的函数是可导的，离散的函数不可导

强化学习中的环境就等同于深度学习或者数据挖掘课题的“数据”，强化学习通过与环境交互来产生数据，所以对环境的认知直接关系到最终结果的好坏，在很多强化学习的研究和竞赛里往往对环境的trick比算法的改进效果更为明显。