怎样简单易懂地解释强化学习( 三 )
■网友
可以把时间进行分类整理，从而提高自己的办事效率，利用碎片时间进行学习新的知识或巩固，一定会有新的收获哦
■网友
强化学习是学习如何去做，如何根据与环境的交互采取相应的行动。最终的结果就是使得系统的回报信号数值最大化。学习者不会被告知去执行哪个行动，而是要他自己去发现哪种行动将产生最大的回报。
有人说，强化学习是实现强人工智能的真正希望。
我们比较一下强化学习算法和别的类型算法之间的区别：
监督学习与强化学习：在监督学习中，在外部有一个“监督主管”，它拥有所有环境的知识，并且与智能体一起共享这个知识，从而帮助智能体完成任务。但是这样存在一些问题，因为在一个任务中，其中存在如此多的子任务之间的组合，智能体应该执行并且实现目标。所以，创建一个“监督主管”几乎是不切实际的。例如，在象棋游戏中，存在数万个可以移动的玩法。因此，去创建一个可以获胜的玩法知识库是一个单调乏味的任务。在这些问题中，从自己的经验中学习，并且获得知识是更加合理可行的。这就是强化学习和监督学习的主要区别。在监督学习和强化学习中，在输入和输出之间都存在映射。但是在强化学习中，存在的是对智能体的奖励反馈函数，而不是像监督学习直接告诉智能体最终的答案。无监督学习与强化学习：在强化学习中，有一个从输入到输出的映射过程，但是这个过程在无监督学习中是不存在的。在无监督学习中，主要任务是找到一个最基础的模式，而不是一种映射关系。例如，如果任务是向用户推荐新闻文章，则无监督学习算法是先查看该人以前读过的类似文章，并把它们推荐给其他人。而强化学习算法则是，通过用户的一些文章，并且获得用户的不断反馈，从而构建一个“知识图谱”，从而得知用户与文章之间的喜爱关系。还有第四种类型的机器学习，称为半监督学习，其本质上是监督学习和无监督学习的组合。它不同于强化学习，类似于监督学习和半监督学习具有直接的参照答案，而强化学习不具有。
以下是几个小点的解释，可做扩展阅读：
1.马尔科夫
1.1马尔可夫性质
具有马尔科夫性质的状态满足下面公式： 
根据公式也就是说给定当前状态 St ,将来的状态与t时刻之前的状态已经没有关系。
如下图解释:
St状态能够捕获历史状态的相关信息一当当前状态 St 已知，历史可以被忽视
1.2 状态平移概率 State Transition Matrix
可以用下面的状态转移概率公式来描述马尔科夫性质：
2.蒙特卡罗树
蒙特卡罗树搜索主要目的是：给出一个状态来选择最佳的下一步。
2.1应用举例：
两人有限零和顺序游戏
在该环境下，蒙特卡罗树搜索内运行的是一个游戏，其本身是一个很抽象、很广义的术语，因此在这里我们专注于单一游戏类型：二人有限零和顺序博弈。把它分解成以下几个部分：
2.1.1.游戏意味着需要处理互动的情况，一些参与者（一个或多个）。
2.1.2.“有限”一词表明，在任何时间点，参与者之间存在有限的交互方式。
2.1.3.两人博弈意味着两个参与者参与了我们的游戏。
2.1.4.连续的，因为参与者交替地移动他们的动作。
2.1.5.最后，零和游戏意味着双方都有相反的目标，换句话说：在游戏的任何终端状态，所有玩家的收益总和等于零。
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾
- 怎样成为一名合格的Python程序员?
- 环球车讯网|【帮你选车】简单粗暴 前后双电机+四驱 三款纯电SUV推荐
- 怎样评价华为、诺基亚、中兴中标中国移动高端路由交换设备扩容集采