强化学习初印象

        由于工作需要，今天要了解一下强化学习。虽然之前Alpha Go和星际游戏的AI新闻让我对强化学习如雷贯耳，但从来没有想到过和自己联系在一起。机器学习有本好书是周志华的《机器学习》，通俗易懂，正好最后一个章节就是讲的是强化学习，觉得是比较适合自己的入门好资料。果然，通读之后对强化学习的基本概念和算法有了个初印象，感觉很有收获，不过为了以后查阅方便，在这里算作笔记吧。

1. 强化学习的一般定义

      强化学习通常用马尔可夫决策过程(Markov Decision Process, MDP)表示; 环境E, 状态空间X，动作空间A，状态x经动作a后由转移函数P转移到另一个状态x’；在状态转移的同时，环境会根据反馈函数R给机器一个奖赏r。即强化学习任务对应四元组E=<X,A,P,R>。强化学习的原理图如下：

   机器要做的是通过在环境中不断地尝试而学得一个“策略”，根据这个策略F，在状体x下就能得知要执行的动作a=F(x)。策略有两种表示方法：一种是确定性策略F:X->A；另一种是概率策略F:X*A->R。策略的优劣取决于长期执行这一策略后得到的累计奖赏。强化学习的目的就是要找到能使长期累积奖赏最大化的策略。长期累积奖赏的计算方法有两种:a) T步累积奖赏；b)gama折扣累积奖赏。

        强化学习与监督学习的异同&#