机器学习工程师 - Udacity 强化学习 Part Five

六、时间差分方法

1.给定一个策略，如何估算其值函数？在蒙特卡洛方法中，智能体以阶段形式与环境互动，一个阶段结束后，我们按顺序查看每个状态动作对，如果是首次经历，则计算相应的回报并使用它来更新动作值。我们经历了很多很多个阶段。需要注意的是，只要我们不在阶段之间更改策略，该算法就可以解决预测问题，只要我们运行该算法足够长的时间，就肯定能够获得一个很完美的动作值函数估计结果：1.给定一个策略，如何估算其值函数？在蒙特卡洛方法中，智能体以阶段形式与