RL3：深度学习&DQN
RL3: 深度学习&DQN
这个部分的笔记主要介绍一些深度学习的基础内容，以及其与强化学习结合的DQN方法的例子。由于深度学习不是这个部分的重点，就简单梳理一下框架，具体的各个算法和函数背后的原理就罗列一下，不去深入学习了（）
1. 深度学习基础
1.1 神经元&神经网络，神经网络训练
在神经网络中，“神经元”是其中最基本的
RL2：Value estimation
RL2: Value estimation
在RL1中，介绍了MDP和基于其建模的动态规划方法。然而，这种方法十分依赖于对于整个环境和模型的充分了解；而在更多的无法明确地给出状态转移和奖励函数的情况下，我们就会更加依赖于直接从获得的数据中学习相应的价值与策略。 >在这种情况下，智能体只能和环境进行交互，通过采样到的数据来学习，这类学习方法统称为无模型的强化学习（m
RL0
RL0： 基础数学知识
1.无偏估计
在统计学中，无偏估计指的是一个估计量的期望值等于其真实值，即 E[θ̂] = θ 在强化学习的状态估计里面，无偏估计即为我们估计到的V(s)与其真实值相同的情况
2.梯度
recall：对于一个多元函数，其梯度是一个向量，为该函数对于每一个变量求偏导数的结果，即为 $\nabla f(x_1, x_2, \dots, x_n) = \left( \fr
RL1：强化学习基本概念，马尔科夫决策过程，DP
# RL1：强化学习基本概念，马尔科夫决策过程，DP
1. 基本定义
强化学习是机器学习的一个分支，专注于让智能体（Agent）通过与环境的交互学习最优策略，以最大化累积奖励。其核心思想是试错学习（Trial-and-Error），类似于人类或动物通过经验改进行为的过程。
强化学习的主体为智能体(agent)，即为对环境做出感知、决策、行动的对象 （e.g. 玩游戏时的角色&