参考资料：

简介

于监督学习或无监督学习不同，强化学习不是从静态数据集中学习知识，而是与动态环境交互；目标也不是对数据进行分类或标记，而是找到能够产生最优结果的最佳动作序列。从这个意义上说，”最优“意味着获得最多的奖励。

上大学（Action），得到一份工作（Observation/state），得到工资（Reward）

过马路前看了两边（Action），到了马路另一边（State），没有被撞到（Reward）

在智能体内部有一个大脑，它接受状态观测量（输入），并将它们映射到动作（输出）中。在 RL 术语中，这种映射被称“策略”（policy）。如果提供一组观测量，策略便会确定要采取的动作。

强化学习算法则会根据以上三者，更新策略（因为环境可能在变化，策略也可能还不够好）

强化学习也是一种优化问题，需要区分两个概念：

Value：从当前状态到未来，所能获得激励的总和。

Reward：当前状态的即时的激励。

强化学习的目标是最大化 Value。

像金融市场一样，对未来的预测总是不可靠的。强化学习会通过一些设计，对未来的收益进行“折扣”，让自己更目光短浅一点。

同时，为了让算法能够发现更好的选择，我们偶尔会允许它去“冒险”尝试一些当下低收益的事情。

有时候为了避免激励来得太晚，会在中间设置激励，但也有弊端，比如机器人发现只要往地上一躺就拿到了激励。