强化学习是对英文Reinforced Learning的中文翻译，它的另一个中文名称是“增强学习”。相对于有监督学习和无监督学习，强化学习是一个相对独特的分支；前两者偏向于对数据的静态分析，后者倾向于在动态环境中寻找合理的行为决策。
强化学习的行为主体是一个在某种环境中独立运行的Agent（可以理解为“机器人”）, 其可以通过训练获得在该环境中的最佳行为模式。强化学习被看成是最接近人工智能的一个机器学习领域。
思考：为什么说强化学习是最接近人工智能的一个机器学习领域？
1. 五个要素
强化学习的场景由两个对象构成，它们是：
- 智能代理（Agent）：是可以采取一系列行动以达到某种目标的控制器，可以形象的将其理解为机器人大脑。比如自动驾驶的控制器、打败李世石的AlphaGo。
- 环境（Environment）：是Agent所能感知和控制的世界模型。对自动驾驶来说，Environment就是Agent所能感知到的路况和车本身的形式能力，对AlphaGo来说，Environment包括棋盘上的每种状态和行棋规则。
这两个对象其实定义了机器人和其所能感知到的世界。而就像人类能在自己的世界中行走、享受阳光，机器人也可以通过三种方式与其所在的环境交互：
- 状态（State）：是任意一个静态时刻Agent能感知到的Environment情况，相当于某一时刻人类五官能感知到的一切。
- 行为（Action）：是Agent能在Environment中执行的行为，对应于人类四肢所能做的所有事。
- 反馈（Reward）：是Agent执行某个/某些Action后获得的结果。Reward可以是正向的或者是负向的，相当于人类感受到的酸甜苦辣。
以上五种强化学习要素的关系如图1-12所示，它们在一起构建起了强化学习的应用场景。
图1-12 强化学习场景
另外，在强化学习中Reward有时是延时获得的。即Agent在做出某个Action后不会马上获得Reward，而需要在一系列Action之后才能获得。每个任务最终获的Reward被称为value。比如在围棋环境中，只有结果是胜是败才对之前的所有Action给出最终的value。
延迟获得value的本质分析的是一系列相关行为共同发生的作用，也是强化学习与有监督学习最主要的一个不同点。试想如果每一个Action都可以获得一个相应的Reward，那么Reward就退化成了有监督学习中的label（标签）。
2. 两种场景与算法
具备上述五个要素的强化学习可以用来解决两类问题：
- 状态预测问题：用马尔可夫过程估计在任一时刻各种状态发生的可能性，其中蒙特卡洛模拟（Monte Carlo Method）是一类重要方法。
- 控制问题：如何控制Agent以获得最大Reward。其算法可以分成两类：
- 基于策略的学习（Policy-based）：基于概率分布学习行为的可能性，根据可能性选择执行的动作，可学习连续值或离散值类型行为。典型算法是Policy Gradients。
- 基于价值学习（Value-based）：直接基于Reward学习行为结果，只能学习离散类型行为，包括算法Q-learning、Sarsa。
另外，还有个别算法兼具Policy-Based和Value-Based特点，比如Actor-Critic。
不得不承认的是，虽然强化学习是更智能的机器学习分支，但目前产品级应用还比较少，多集中在游戏娱乐和简单工业控制。本书将在第6章介绍隐马尔可夫模型，第7章介绍以马尔可夫收敛定理为基础的蒙特卡洛推理，在第10章详细学习各类强化学习控制问题。
从机器学习，到深度学习
从深度学习，到强化学习
从强化学习，到深度强化学习
从优化模型，到模型的迁移学习
一本书搞定！
