文章目录
前言
Q-Learning是强化学习中的一个基础算法，尽管这个算法属于在强化学习中比较基础的一个方法，但是确实十分巧妙。我认为在一定程度上对于我理解机器学习也有很大的帮助。
什么Q-Learning算法
强化学习中的一个经典算法——Q Learning。首先了解一下强化学习包括什么？——状态(state)、奖励(Reward)、行为(Action)。
因为在Q-Learning算法中加入一个叫做Q表的东西，Q-Learning因此命名。Q表包括一定行为下，所基于的反馈。
Q为动作效用函数（action-utility function），用于评价在特定状态下采取某个动作的优劣。它是Agent的记忆。
实际问题讲解
拿一个比较经典的问题来分析，方便理解。
应该都玩过这款游戏。我们讲小鸟看为智能体(Agent)，接下来我们对小鸟进行建模。用强化学习的元素来看问题。我们将小鸟所处在的位置看为State，小鸟是否跳看为动作Action，如果小鸟没死作为Reward。
我们对模型的变量进行分析。通过State能够得到什么信息呢？或者要的得到什么信息呢？我们要得到的是关于Agent下一步该怎么行动。因此我们需要引入，Agent现在所在的位置。
我们对这个进行逐帧的读取，Agent距离管道口的和距离，如果Agent如果是小鸟活着时，每一帧给予1的奖赏；若死亡，则给予-1000的奖赏。
按照这个思路，我们最终可以得到一个很快能得到高分的结果。
文档讲解
最后的话
第一次看到Q-Learning算法，感觉这个算法十分神奇。有一种感觉用比较简单的算法去解决一个很难的问题的那种感觉，因此在网路上找到一些写的比较好的整合起来。