一、强化学习RL
机器学习 = 寻找一个函数 = RL
RL：
Actor行动者
Environment环境
观察+动作
状态s、行为a。
无法梯度下降。
二、策略下降
a的定义：
离线策略下降。
随机性
三、Actor-Critic
Critic评估状态的好坏。
四、Reward Shaping
额外的回报
五、No Reward：模仿学习
机器学习 = 寻找一个函数 = RL
RL：
Actor行动者
Environment环境
观察+动作
状态s、行为a。
无法梯度下降。
a的定义：
离线策略下降。
随机性
Critic评估状态的好坏。
额外的回报