如何从零开始学习QLearning强化学习算法？
- 内容介绍
- 文章标签
- 相关推荐
本文共计641个文字，预计阅读时间需要3分钟。
相关主题
2. Qlearning讲解
3. CartPole Qlearning代码实战
强化学习是机器学习中很火热的一个领域。相比于传统的监督学习、无监督学习，其是一种独特的学习范式。RL在游戏AI中的应用已经相当成熟，最知名的便是OpenAI。但RL的入门门槛似乎有点高，刚开始就有很多难以理解的概念。涉及到非常多概率统计、微积分的基础知识。实在太劝退了。本文得目的便是引入最少的概念，旨在帮入门者用最短时间完成一个RL项目。熟悉了Qlearning与SARSA的基本流程，再去理解复杂的数学公式，便可轻松上手，水到渠成。
（安利一下科科老师的课，配套推荐的几本书食用更佳。）
这里我们就建立了一个在森林生活的表格，我们根据熊的状态来判断该选取哪一个动作。那么，问题来了：我们咋知道这个表格里哪一个动作评分是咋样的呢？其答案是通过不断尝试，然后一次次根据reward更新。这个表格又称为Q表格。
伪代码：
初始化Q表格，随机每一个状态的Q值 对于每个Episode循环 设置初始状态S 对于每个Step循环 根据Q函数与状态S，选择动作A 做一个动作A，观测R和S' 赋值：Q（S,A）=Q（S,A）+a[R+ymaxQ(S',a)-Q(S,A)] 赋值：S=S' 直到S终止。
本文共计641个文字，预计阅读时间需要3分钟。
相关主题
2. Qlearning讲解
3. CartPole Qlearning代码实战
强化学习是机器学习中很火热的一个领域。相比于传统的监督学习、无监督学习，其是一种独特的学习范式。RL在游戏AI中的应用已经相当成熟，最知名的便是OpenAI。但RL的入门门槛似乎有点高，刚开始就有很多难以理解的概念。涉及到非常多概率统计、微积分的基础知识。实在太劝退了。本文得目的便是引入最少的概念，旨在帮入门者用最短时间完成一个RL项目。熟悉了Qlearning与SARSA的基本流程，再去理解复杂的数学公式，便可轻松上手，水到渠成。
（安利一下科科老师的课，配套推荐的几本书食用更佳。）
这里我们就建立了一个在森林生活的表格，我们根据熊的状态来判断该选取哪一个动作。那么，问题来了：我们咋知道这个表格里哪一个动作评分是咋样的呢？其答案是通过不断尝试，然后一次次根据reward更新。这个表格又称为Q表格。
伪代码：
初始化Q表格，随机每一个状态的Q值 对于每个Episode循环 设置初始状态S 对于每个Step循环 根据Q函数与状态S，选择动作A 做一个动作A，观测R和S' 赋值：Q（S,A）=Q（S,A）+a[R+ymaxQ(S',a)-Q(S,A)] 赋值：S=S' 直到S终止。