1、reinforce、q-learning和sarsa的更新公式,公式里各个变量的含义
2、gamma什么时候可以等于1,什么时候不可以等于1?
3、q-learning的行为策略需满足什么条件?
4、ppo有replay buffer和importance sampling 是 onpolicy 还是offpolicy?
5、MC和TD,区别、各自优缺点?
6、value-based 和 policy-based, 区别、各自优缺点?
7、介绍Actor-Critic
8、DQN里面最出名的两个trick
9、一句话简要介绍马尔科夫过程
10、on-policy和off-policy,区别?
11、强化学习排序怎么实现的,除了这种还有没有其他方案?
12、RL怎么应用?reward如何定义?
13、DQN的伪代码和流程图。