Reinforcement Learning

               強化學習。這裡舉例子是自主飛行的飛機。控制飛機，如果自主寫程式的話，會很難，所以需要它自學習。

             最好用的地方，就是下棋。不過，怎麼半監督學習演算法。只有下棋的結果，贏和輸，其實也算是監督了。

所以它就會自主的去贏更多的棋，來學習。

          一直採取行動。就是整個過程一直都在訓練著。

                就是在行為過程中，不斷的給獎勵和批評。來優化更好的方案。

MDP如何工作的。

     選擇動作A0，執行新的狀態A1，取決於以前的概率。情況。

這個是獲得的獎勵總和最大。r大於0，小於1.

這樣它就不會不斷執行a0，a1，做正確的事情，使得獎勵最大化。

加1的位置就是我們要走到的地方。就是棋局贏了的 意思。

後面就是的政策價值函式圖。

用盡所有的策略。得出最大值。

值迭代演算法。

其實那裡的.8是0.8的縮略寫法。

政策迭代

對於狀態很多的，傾向使用迭代方法求解。

不知道狀態轉移概率。

本人能力有限，但是我努力的學習，發展，現在寫的可能有點亂套，總有一天我會成為高手的。