感谢强化学习7日打卡营的班主任和精英教师团队的老师们，能够提供如此高效快捷的强化学习课程。初次接触强化学习，通过7天课程学习和实践，对强化学习有了初步的认识和理解。

一、强化学习的思想

智能体agent在环境environment中学习，根据环境的状态state，执行动作action，并根据环境的反馈 reward（奖励）来指导更好的动作。与监督学习不同的是，在强化学习的过程中，没有人的示范，而是让机器自主去做一个动作。机器人用一定的初始策略选到一个动作。它不知道自己做的对不对， 但是可以他拿到一个立即的reward。同时假设这个动作做对了奖励是 +1，做错了奖励是0，通过不断的训练，机器自己能够自主学会拿到高分的方法。

二、强化学习的应用范围

• 游戏（马里奥、Atari、Alpha Go、星际争霸等）
• 机器人控制（机械臂、机器人、自动驾驶、四轴飞行器等）
• 用户交互（推荐、广告、NLP等）
• 交通（拥堵管理等）
• 资源调度（物流、带宽、功率等）
• 金融（投资组合、股票买卖等）
• 其他

三、强化学习的算法和环境

• 经典算法：Q-learning、Sarsa、DQN、Policy Gradient、A3C、DDPG、PPO
• 环境分类：离散控制场景（输出动作可数）、连续控制场景（输出动作值不可数）
• 强化学习经典环境库GYM将环境交互接口规范化为：重置环境reset()、交互step()、渲染render()
• 强化学习框架库PARL将强化学习框架抽象为Model、Algorithm、Agent三层，使得强化学习算法的实现和调试更方便和灵活。

       最后，还是要赞扬一下百度AI Studio平台所提供的视频+源码+文档+免费GPU算力的一条龙式在线教育服务，尤其是免费GPU算力，为想深入学习人工智能而缺乏硬件基础的同学提供了极大的便利。