本译文自JOSHGREAVES发表在https://joshgreaves.com/ 的Everything You Need to Know to Get Started in Reinforcement Learning。文中版权、图像代码等数据均归作者所有。为了本土化，翻译内容略作修改。

在这个由两部分组成的系列文章的最后，您将会了解理解强化学习算法如何工作所需的所有基本理论。

在两篇文章中，我将分享约85页强化学习教科书中最重要的内容。RL是任何机器学习从业人员工具包中非常有用的工具，这些帖子被设计为强化学习的基础，以便尽快实现最新的模型。当然，为了更彻底地处理这个问题，我建议你拿起Sutton和Barto的“强化学习：介绍”这本教科书，但是这篇文章会试图给强化学习背后的理论提供一个快速，直观的基础。

监督与评估学习

对于许多感兴趣的问题，监督式学习的范式并不能带给我们所需要的灵活性。监督学习与强化学习的主要区别在于所收到的反馈是  评价性还是  指导性的。 教学反馈告诉你  如何实现你的目标，而评估反馈告诉你如何你达到了你的目标。监督学习基于指导反馈解决问题，强化学习基于评估反馈解决问题。图像分类是带有指导性反馈的监督问题的例子; 当算法试图分类某一段数据时，会告诉它真正的类是什么。另一方面，评价反馈仅仅告诉你你在实现目标方面做得如何。如果您使用评估性反馈训练分类器，您的分类器可能会说“我认为这是一只仓鼠”，作为回报，它将得到50分。没有更多的背景，我们真的不知道50分是什么意思。我们需要做其他的分类和探索  找出我们的50分是否意味着我们是否准确。也许10,000是一个更可敬的分数，但我们只是不知道，直到我们试图分类一些其他的数据点。

两个金色的星星和一个笑脸猜测仓鼠。如果你猜沙鼠，你可以拥有一颗银星，半个竖起大拇指

在许多感兴趣的问题中，评估反馈的想法更加直观和易于理解。例如，设想一个控制数据中心温度的系统。有指导意义的反馈在这里似乎没有什么意义，你怎么告诉你的算法每个组件在任何给定时间步的正确设置？评估反馈更有意义。您可以轻松地反馈数据，例如某个时间段内使用了多少电量，或平均温度是多少，甚至有多少台机器过热。这实际上是谷歌如何解决这个问题，强化学习。所以让我们直接跳到它。

马尔可夫决策过程

一个状态s 据说是马尔可夫，如果来自该状态的未来在条件上独立于过去，那么我们知道  s。这意味着  s 描述直到当前状态的所有过去的状态。如果这样做没有多大意义，通过实例来看就容易多了。考虑一个飞行在空中的球。如果它的状态是它的位置和速度，那么足以描述它已经存在的位置和将要到达的位置（给定一个物理模型，并且没有外部影响）。因此，就具有了马尔可夫的属性。但是，如果我们只知道球的位置而不知道它的速度，那么它的状态就不再是马尔可夫了。目前的状态并不总结所有过去的状态，我们需要从上一个时间步骤的信息开始建立一个合适的球的模型。

强化学习通常被建模为马尔可夫决策过程（MDP）。MDP是一个有向图，它的节点和边描述了马尔可夫状态之间的转换。这是一个简单的例子：

用于学习MDP的简单MDP。

这个MDP显示了学习MDP的过程。起初你在国家  不明白。从那里，你有两个可能的行动，学习 或 不学习。如果你选择不学习，那么你有100％的机会回到  不了解 状态。但是，如果你学习，那么你有20％的机会最终回到你开始的地方，但有80％的机会结束了 理解 状态。

真的，我相信有一个转换到理解状态的概率高于80％的概率，MDP的核心是非常简单的。从一个州有一套你可以采取的行动。在你采取行动之后，你可以转换到什么状态。就像“ 不要研究” 行动一样，过渡也可能是确定性的。

强化学习的目标是学习如何在更有价值的状态上花费更多的时间。为了有一个有价值的状态，我们需要更多的信息在我们的MDP。

你不需要一个MDP教你不吃东西会使你饿死。不过，强化学习代理可能会。

这MDP有另外的  增加奖励。每次你进入一个状态，你都会得到奖励。在这个例子中，你会因饥饿而获得负面报酬，并会因为饥饿而获得巨大的负面报酬。如果你满了，你会得到一个积极的回报。现在我们的MDP已经完全形成了，我们就可以开始思考如何使行动获得最大的回报！

由于这个MDP非常简单，很容易看到，留在更高奖励区域的方式是每当我们饥饿的时候吃东西。我们没有太多的选择，当我们满足这个模式时，我们将不得不再次饿肚子，可以立即选择吃饭。与强化学习有关的问题有更多更复杂的MDP，而且我们往往不了解它们，而是需要从探索中学习  。

形式化强化学习问题

现在我们有很多我们需要的构件，我们应该看看RL中使用的术语。最重要的组成部分是  代理人和  环境。代理存在于间接控制的某个环境中。通过回顾我们的MDP，代理人可以选择在给定状态下采取哪种行动，这对其所看到的状态具有显着的影响。然而，代理并不完全控制环境的动态。环境在收到这些行动后，将返回新的状态和奖励。

萨顿与巴托的形象 - 强化学习：引言

从萨顿和巴托的“强化学习：介绍”（强烈推荐）这本书中，我们可以很好地解释这种情况。 在某个时间步骤t，代理处于状态st，并采取行动。 环境然后以新的状态st + 1和奖励rt + 1作出响应。 奖励是在t + 1的原因是因为它是随着t + 1状态的环境而返回的，所以把它们保持在一起是有意义的（如图中所示）。

我们现在有一个强化学习问题的框架，并准备开始考虑如何最大化我们的奖励。在下一篇文章中，我们将学习状态值函数和动作值函数，以及为解决强化学习问题的算法奠定基础的Bellman方程。我们还将探索一些简单而有效的动态编程解决方案。如果你想听到不同的解释，或想深入探讨这个问题，我建议David Silver的Youtube系列强化学习系列，以及Sutton和Barto的“强化学习：一个介绍”一书。谢谢阅读！在这里查看第二部分。