当前的机器学习算法可以分为三种：有监督学习、无监督学习和强化学习
有监督学习是从有标签的训练集中学习，每个样本的特征可视为对状态的描述，标签可视为执行正确的action，但是有监督学习不能学习交互的情景，只能从experience中学习，而experience的action并不一定是最优的。
无监督学习是从无标签的训练集中发现隐藏的结构
强化学习是在获得样本之后更新模型，利用当前的模型指导下一步行动，下一步的行动获得奖励之后再次更新模型，不断迭代直到模型收敛。不是执行正确的experience，而是最大化奖励信号。
强化学习的数学表达即Markov Decision Process（当前状态完全刻画了世界的状态）
MDP由一组对象定义（S，A，R，P，
）：
状态、动作、转移概率、奖励函数
S：所有可能状态的集合
A：所有可能行动的集合
R：奖励的分布函数
P：下一个状态的转移概率分布
：折扣因子，对近期奖励和远期奖励分配权重
版权声明：本文为weixin_38056657原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。