如何去定义强化学习的结果是好还是坏呢?如果是我们学习高数,可以用成绩来判断,那么强化学习呢?引入以下概念:
①state:状态,就是我们所观察到的东西,如五子棋在棋盘的位置
②action:行动,即五子棋的移动,即可以前后左右移动
③state transition:即采用一个行动,五子棋就从一个状态到另一个状态
④policy:目标在一个状态下做出的行动,就是在一个位置下是怎样走可以赢得比赛所对应行走方向
⑤reward:即从一个state选择action所对应的奖励,如果走到禁止forbidden区域,则reward=-1
⑥trajectory:state-action-reward chain,即三者的结合路线
⑦discounted return(可以评估policy的好坏):设置变量为0到1之间的数字,防止五子棋走到终点之后仍移动,使整个学习过程是收敛的即
当趋于0时,则函数结果着眼于最近的reward,反之趋于1时,则趋于较远的reward
Markov decission process:
分为三个部分:
(1)sets:state 、action 、 reward
(2)probablily distrbuation:state transition probability and reward probablity
(3)policy
以上为学习赵老师的第二节课,个人认为先搞懂概念,运用到五子棋或者阿尔法狗或者游戏当中带入基本概念更容易,加油加油。