通過價值選行為
q-learning 、sarsa、 deep q network
直接選行為
policy gradients
想象環境並從中學習
model based rl
基於概率（policy-based rl）
policy gradients
基於價值(value-based rl)
q-learning 、sarsa
基於價值：輸出的是所有動作的價值，我們根據最**值選擇動作。相比，基於價值更為鐵定，毫不留情，就選的是價值最高的。而基於概率的即使某一動作概率最高，也不一定選中。對於連續動作，基於價值的方法無能為力。但能用乙個概率分布，在連續動作中選擇特定的動作。
結合這兩種方法創造出actor-critic
actor基於概率做出動作 critic 會根據做出的動作給出動作的價值
離線學習
q-learning 、 deep q network
sarsa 、 sarsa（λ）
深度強化學習
這是寫給自己看的，大佬請忽略 深度學習和其他機器學習演算法最大的不同在於如何找到特徵，而特徵的抽取過程就是乙個抽象的全過程。以往機器學習演算法的特徵抽取都是對一類問題有解，比如k means等聚類。深度學習抽象模擬了人類神經元傳遞和連線方式，理論上可以解決多種分類問題和 問題，甚至研究未知領域。深度...
深度強化學習
一 簡介 1 深度強化學習出現的原因 傳統的強化學習中當狀態和動作空間是離散且維數不高時可使用q table儲存每個狀態動作對的q值。然而比較複雜的 更加接近實際情況的任務則往往有著很大的狀態空間和連續的動作空間，這種情況下使用q table不現實。同時實現端到端的控制也是要求能處理高維的，如影象 ...
深度強化學習
強化學習 reinforcement learning 與深度學習同屬機器學習的範疇，是其中 一 個重要的分支，主要用來解決連續決策的問題。強化不像無監督學習那樣完全沒有學習目標,也不像監督學習那樣有非常明確的目標 如影象分類問題中的label 強化學習的目標是不明確的，模型只會向著能夠得到更多獎勵...